基于YOLOv5与UNet-扩散模型架构的超声心动图主动脉瓣钙化自动检测与评分新框架

为解决CT钙化评分存在辐射风险且成本高昂的问题，来自未知机构的研究人员开发了一种结合YOLOv5目标检测与UNet-扩散模型的创新算法，实现了超声心动图中主动脉瓣钙化区域的自动定位与分割。该方法在160例患者数据中取得85.08%精确度与71.13%Dice评分，为无辐射钙化监测提供了客观高效的解决方案。

　　

主动脉瓣钙化评分(AVCS)是诊断和评估主动脉狭窄风险的重要工具。虽然计算机断层扫描(CT)仍是当前金标准，但其辐射暴露和高成本限制了重复监测应用。超声心动图(Echo)作为无辐射替代方案虽更安全经济，却受限于专家间判读的主观差异。

这项研究提出突破性解决方案：首先采用YOLOv5算法精准定位超声图像中的主动脉区域，进而创新性地融合UNet的解剖结构定位能力与扩散模型(Diffusion Model)的细粒度特征捕捉优势，构建双阶段钙化区域分割框架。该架构在86名患者160幅图像的新建数据集上表现优异——精确度达85.08%，召回率80.01%，Dice相似系数71.13%。

技术亮点在于：YOLOv5实现_ROI快速检测，UNet提供空间上下文信息，而扩散模型通过迭代去噪过程显著提升微钙化灶的识别能力。这种自动化评分系统不仅规避CT辐射风险，其客观一致性更克服了人工判读的变异性，使心血管医生能聚焦于治疗决策而非图像解读。研究为瓣膜性心脏病的无创动态监测开辟了新途径。