-
生物通官微
陪你抓住生命科技
跳动的脉搏
生物通官微
陪你抓住生命科技
跳动的脉搏
LMMR-YOLO：面向 OCT 图像的轻量化黄斑裂孔检测融合模型
《BMC Medical Imaging》：A deep learning-based study on automatic extraction and measurement of macular hole parameters
【字体： 大 中 小 】 时间：2026年10月12日 来源：BMC Medical Imaging 3.9
编辑推荐：
摘要本研究旨在开发 LMMR-YOLO——一种针对医学图像优化的基于深度学习的小型化病灶检测融合模型——以高效准确地识别光学相干断层扫描（OCT）图像，测量黄斑裂孔（MH）的关键参数，并评估患者 MH 病灶的严重程度。这项回顾性研究使用了 61 名患者的 606 张 OCT
本研究旨在开发 LMMR-YOLO——一种针对医学图像优化的基于深度学习的小型化病灶检测融合模型——以高效准确地识别光学相干断层扫描（OCT）图像，测量黄斑裂孔（MH）的关键参数，并评估患者 MH 病灶的严重程度。这项回顾性研究使用了 61 名患者的 606 张 OCT 图像。LMMR-YOLO 基于 Mask R-CNN 和 YOLOv12-obb 构建，通过 Mask R-CNN 进行有针对性的数据集扩展，采用图像增强算法（IEA）进行图像增强并结合常规增强消融实验，同时对 YOLOv12-obb 进行优化，其中包括集成高效通道注意力（ECA）的灰度图像适配模块、用于特征提取的 C2f_Ghost 和 A2C2f_Lite 轻量级骨干模块、有向边界框（OBB）检测头，以及整合 Mask R-CNN 和 IEA 用于检测的融合检测算法（FDA）。模型性能通过精确率、召回率、mAP@0.5、F1 分数和准确率进行评估。在内部测试集上，LMMR-YOLO 在 MH 参数关键点检测方面实现了 92.69% 的 mAP@0.5、94.78% 的准确率、97.14% 的精确率和 87.88% 的召回率，F1 分数为 92.28%。中心脉络膜厚度（CCT）的归一化分类准确率为 0.97，左孔高（LHH）与右孔高（RHH）之间的镜像误识别率为 0.03，该模型拥有 3.34 M 可训练参数、11.10 GFLOPs、9.44 FPS 的推理速度和较短的训练时间，在轻量级性能和检测效率之间取得了平衡。LMMR-YOLO 能够根据 OCT 图像准确测量 MH 参数，支持眼科 MH 诊断、分期和个性化护理，并为医学灰度图像分析和模型训练提供了一种新范式。
本研究旨在开发 LMMR-YOLO——一种针对医学图像优化的基于深度学习的小型化病灶检测融合模型——以高效准确地识别光学相干断层扫描（OCT）图像，测量黄斑裂孔（MH）的关键参数，并评估患者 MH 病灶的严重程度。这项回顾性研究使用了 61 名患者的 606 张 OCT 图像。LMMR-YOLO 基于 Mask R-CNN 和 YOLOv12-obb 构建，通过 Mask R-CNN 进行有针对性的数据集扩展，采用图像增强算法（IEA）进行图像增强并结合常规增强消融实验，同时对 YOLOv12-obb 进行优化，其中包括集成高效通道注意力（ECA）的灰度图像适配模块、用于特征提取的 C2f_Ghost 和 A2C2f_Lite 轻量级骨干模块、有向边界框（OBB）检测头，以及整合 Mask R-CNN 和 IEA 用于检测的融合检测算法（FDA）。模型性能通过精确率、召回率、mAP@0.5、F1 分数和准确率进行评估。在内部测试集上，LMMR-YOLO 在 MH 参数关键点检测方面实现了 92.69% 的 mAP@0.5、94.78% 的准确率、97.14% 的精确率和 87.88% 的召回率，F1 分数为 92.28%。中心脉络膜厚度（CCT）的归一化分类准确率为 0.97，左孔高（LHH）与右孔高（RHH）之间的镜像误识别率为 0.03，该模型拥有 3.34 M 可训练参数、11.10 GFLOPs、9.44 FPS 的推理速度和较短的训练时间，在轻量级性能和检测效率之间取得了平衡。LMMR-YOLO 能够根据 OCT 图像准确测量 MH 参数，支持眼科 MH 诊断、分期和个性化护理，并为医学灰度图像分析和模型训练提供了一种新范式。
