基于数据增强与结构优化的YOLO模型改进：解决腹腔镜手术器械分叉目标误检问题

为解决腹腔镜手术中分叉器械目标(BT)误检(MDBT)问题，研究人员通过创新性数据增强策略（随机目标掩蔽RTM和混合增强Mixup Plus）结合空间深度卷积(SPD-Conv)结构优化，显著提升YOLOv8模型性能。实验显示，改进后模型在EndoVis数据集上mAP50提升近0.2，对稀缺样本（如Clip Applier类别）AP50从0.0251跃升至0.457，为手术导航系统提供更精准的器械检测方案。

　　

腹腔镜手术器械检测是微创手术辅助系统的核心技术，其准确性直接影响器械姿态估计和手术导航效果。针对分叉器械目标(Bifurcated Targets, BT)尖端易被误判为独立实体或漏检的难题，该研究对YOLO模型进行双重革新：

数据层面引入随机目标掩蔽(Random Target Masking, RTM)，通过动态遮蔽训练数据中的BT连接区域，强制模型学习整体结构特征，避免将分叉尖端误识别为独立器械。针对数据集中BT样本分布不均问题，开发的混合增强升级版(Mixup Plus)通过跨类别样本融合，显著提升Clip Applier等稀缺类别的检测性能。

模型结构采用空间深度卷积(Space-to-Depth Convolution, SPD-Conv)替代传统下采样模块，该设计通过保留高频空间信息，有效缓解微小BT尖端的特征丢失问题。在EndoVis17/18数据集上的实验表明，改进后的YOLOv8n模型mAP_50:95提升0.1，其中BT专用测试集的mAP₅₀增幅达0.2。尤为突出的是，对于训练样本不足100例的Clip Applier类别，检测精度AP₅₀实现18倍飞跃。

这项研究通过"数据增强+结构优化"的组合策略，为腹腔镜手术中复杂器械的精准检测提供了新范式，其提出的RTM和SPD-Conv模块在保持模型轻量化的同时，显著提升了系统对分叉结构的感知能力。