基于改进YOLOv8模型的腰椎磁共振图像椎间盘突出自动检测与分级研究

本研究针对腰椎磁共振图像(MRI)解读过程中存在的重复性高、耗时长及诊断结果不一致等问题，开发了融合梯度搜索模块(GS)和高效通道注意力(ECA)的GE-YOLOv8模型。该模型通过优化特征提取和通道权重分配，将mAP50提升至78.0%，参数减少2.1%，显著提高了腰椎间盘突出(LDH)的自动检测与密歇根州立大学(MSU)分级准确性，为临床决策提供了高效可靠的AI辅助工具。

　　

腰痛是全球老龄化社会面临的重大健康挑战，其中腰椎间盘突出(LDH)是最常见的病因。传统腰椎磁共振成像(MRI)诊断依赖放射科医师经验，存在效率低、结果不一致等问题。福建理工大学互联网经济与商业学院联合福建医科大学附属协和医院的研究团队在《Scientific Reports》发表论文，提出改进的GE-YOLOv8模型，实现了LDH的自动检测与分级。

研究采用493例轴向T2加权MRI图像，通过梯度搜索模块(GS)优化特征提取，结合高效通道注意力(ECA)机制增强小病灶识别。模型在内部验证集达到78.0% mAP50，外部测试集提升3.3%至62.9%，显著优于主流检测模型。

主要技术方法

1. 数据采集：来自福建医科大学附属协和医院平潭分院的493例轴向T2W MRI，按7:3划分训练/验证集，通过旋转、翻转等数据增强扩增至1,725例
2. 模型架构：以YOLOv8为基础，用GS模块替代C2f减少2.1%参数，在颈部网络末端加入ECA模块
3. 评估标准：采用MSU分级系统，由两名放射科医师独立标注，分歧时由第三位资深医师仲裁

研究结果

1. 模型性能：GE-YOLOv8在验证集实现83.3%框精度和78.0% mAP50，其中1C级识别准确率达89.6%
2. 创新验证：相比基线YOLOv8，联合使用GS+ECA使mAP50提升4.5%，FLOPs保持8.1G
3. 对比实验：在外部测试集超越SpineNet等模型，mAP50-95达52.3%，推理速度仅1ms

结论与意义
该研究首次将YOLOv8应用于腰椎检测任务，通过GS模块的梯度分流策略和ECA的通道注意力机制，显著提升LDH识别效率。模型可辅助临床分诊决策：1A级建议保守治疗，2B/3AB级推荐手术干预。尽管在3B级样本不足等局限，但为医学影像自动化分析提供了新范式，未来可扩展至腰椎管狭窄(LCCS)等多症状联合检测。

研究团队已公开代码并计划开发在线诊断平台，该成果对缓解医疗资源不均、提升基层诊断水平具有重要价值。