基于正交实验设计的YOLO多版本模块化消融分析优化眼科超声图像检测网络架构

《BioMedical Engineering OnLine》：Network architecture optimization for ophthalmic ultrasound image detection based on modular ablation of multi-version YOLO

本研究针对眼科超声图像检测中网络架构选择缺乏系统评估方法的问题，提出基于正交实验设计的模块化消融分析框架。通过解耦YOLOv10-v12的骨干、颈部和头部模块，结合三阶段评估（单模块基准测试、正交组合实验、帕累托多目标优化），筛选出兼顾精度与效率的最优架构（Bv11-Nv11-Hv10，mAP达64.0%）。临床验证显示自动与手动测量参数高度一致（平均绝对误差≤0.133 mm，ICC≥0.839），为眼科超声自动化生物测量提供了可量化、可部署的解决方案。

　　

在眼科疾病诊疗日益精准化的今天，眼部组织生物测量技术成为评估白内障、青光眼等疾病的关键手段。其中，超声生物测量因其对眼组织透明度要求低、可直观显示组织结构等优势，在临床中广泛应用。然而，传统手动测量方式高度依赖操作者经验，存在效率低、一致性差等问题。尽管深度学习技术已在医学图像分析中展现出潜力，但现有研究多局限于单一版本模型优化，缺乏对跨版本模块组合的系统评估，难以平衡检测精度、推理速度与部署需求。

为解决上述问题，李泽萌团队在《BioMedical Engineering OnLine》发表研究，提出一种基于正交实验设计的模块化消融分析框架。该研究首先建立包含1121张眼科超声图像的数据集，标注角膜前表面、晶状体前后囊、视网膜黄斑等关键结构。随后将YOLOv10-v12模型解耦为骨干（Backbone）、颈部（Neck）和头部（Head）模块，通过三阶段实验系统评估模块性能：单模块基准测试量化各模块独立贡献；正交组合实验（L9(3⁴)阵列）结合极差分析与交互热图揭示模块间非线性协同效应；帕累托前沿分析筛选多目标权衡下的最优架构。关键技术包括模块解耦策略、正交实验设计、声速匹配算法及一致性检验（ICC、t检验）。

结果

单模块性能测试结果

骨干网络迭代呈现“帕累托改进”特性，Bv12在参数量减少9.4%（10.6→9.6 MB）的同时提升mAP至62.5%；颈部与头部网络则表现精度-效率权衡，其中Nv11以62.7% mAP成为精度最优模块，而头部网络对计算效率影响显著（FPS极差值达1.667）。

正交组合实验结果

极差分析表明颈部模块对检测精度影响最大［R(mAP)=1.233］，头部模块主导计算效率［R(FPS)=1.667］。交互热图显示Bv11-Nv11-Hv10组合在跨层架构中协同效果最佳，验证了模块兼容性优于孤立性能的原则。

帕累托多目标优化分析结果

Bv11-Nv11-Hv10组合以64.0% mAP和26 FPS性能位于帕累托前沿顶点，适用于高算力临床设备；轻量版Bv10-Nv10-Hv11则以63.5% mAP和8.6 MB参数量适配移动端部署。

一致性测试结果

自动与手动测量参数误差均值≤0.133 mm，ICC≥0.839（P>0.05），证实模型在眼前房深度、晶状体厚度等生物测量中具有临床级一致性。

结论与讨论

该研究首次实现YOLO系列跨版本模块的定量化组合优化，提出“模块兼容性优于孤立性能”的架构设计原则。通过正交实验与帕累托分析，明确颈部模块为精度核心调控因子，头部模块主导计算资源分配。最优架构在临床验证中展现高度自动化与一致性，为眼科超声智能诊断提供了可复用的方法论框架。未来工作可拓展至功能单元级消融分析及跨模态数据融合，进一步推动个性化医疗设备开发。