切换至 "中华医学电子期刊资源库"
高级检索
中华医学超声杂志（电子版）

中华医学超声杂志（电子版） >

2025 , Vol. 22 >Issue 04: 305 - 310

DOI: https://doi.org/10.3877/cma.j.issn.1672-6448.2025.04.005

妇产科超声影像学

基于YOLO V8 的胎儿脐膨出超声智能质量评估与诊断

  • 陈茵 1, 2, 3 ,
  • 谭莹 2 ,
  • 谭渤瀚 4 ,
  • 何冠南 5 ,
  • 王磊 6 ,
  • 温昕 2 ,
  • 朱巧珍 7 ,
  • 梁博诚 2 ,
  • 李胜利 , 1, 2, †
展开
  • 1.510515 广州，南方医科大学第一临床医学院
  • 2.518028 深圳，南方医科大学附属深圳妇幼保健院超声科
  • 3.511400 广州市番禺区妇幼保健院超声科
  • 4.410082 长沙，湖南大学信息科学与工程学院
  • 5.610000 成都，四川省妇幼保健院超声科
  • 6.518053 深圳，香港大学深圳医院超声医学科
  • 7.517000 河源市人民医院超声科
李胜利，Email：
Li Shengli， Email：

Copy editor: 汪荣

网络出版日期: 2025-06-09

基金资助

国家重点研发计划（2022YFF0606301）深圳市科技计划项目（JCYJ20220530155208018，JCYJ20210324130812035，JCYJ20220530142002005）广东省医院协会超声医学科研专项基金（2023CSM005）河源市社会发展科技计划项目（230527161608760）

版权

版权归中华医学会所有。 未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。 除非特别声明，本刊刊出的所有文章不代表中华医学会和本刊编委会的观点。
收起

Intelligent quality assessment and diagnosis of fetal omphalocele using YOLO V8 in ultrasound imaging

  • Yin Chen 1, 2, 3 ,
  • Ying Tan 2 ,
  • Bohan Tan 4 ,
  • Guannan He 5 ,
  • Lei Wang 6 ,
  • Xin Wen 2 ,
  • Qiaozhen Zhu 7 ,
  • Bocheng Liang 2 ,
  • Shengli1 Li , 1, 2, †
Expand
  • 1.The First School of Clinical Medicine， Southern Medical University， Guangzhou 510515，China
  • 2.Department of Ultrasound， Shenzhen Maternity and Child Healthcare Hospital Affiliated to Southern Medical University， Shenzhen 518028， China
  • 3.Department of Ultrasound， Panyu District Maternity and Child Healthcare Hospital， Guangzhou 511400， China
  • 4.College of Computer Science and Electronic Engineering， Hunan University， Changsha 410082， China；
  • 5.Department of Ultrasound， Sichuan Provincial Maternity and Child Healthcare Hospital， Chengdu 610000， China
  • 6.Department of Ultrasound Medicine，Shenzhen Hospital， University of HongKong， Shenzhen 518053， China
  • 7.Department of Ultrasound， Heyuan People's Hospital， Heyuan 517000， China

Online published: 2025-06-09

Copyright

Copyright by Chinese Medical Association No content published by the journals of Chinese Medical Association may be reproduced or abridged without authorization. Please do not use or copy the layout and design of the journals without permission. All articles published represent the opinions of the authors, and do not reflect the official policy of the Chinese Medical Association or the Editorial Board, unless this is clearly specified.
Fold

摘要

目的

针对胎儿脐膨出产前超声诊断中异常特征识别经验依赖性强的问题，开发智能辅助质控与诊断模型，以提升基层医师筛查效能。

方法

回顾性收集深圳市妇幼保健院2016 年1 月至2024 年12 月进行产前超声检查的孕妇资料，纳入脐膨出胎儿324 例1620 张图像及正常胎儿1000例2555 张图像。经超声专家标注后，基于病例水平将数据按照7：2：1 的比例划分为训练集、验证集和测试集，基于YOLO V8 构建双任务模型：脐带腹壁插入口横切面质量评估（标准/非标准）；腹壁异常结构检测（腹壁缺损、突出包块）。以精确率、召回率及平均精度评估模型检测目标结构的效能；以准确率及加权Kappa 系数分析模型切面分类与真实类别的符合率和一致性。

结果

模型对关键结构检测的平均精度达0.932，其中对腹壁轮廓（0.987）、脐带插入口（0.977）及突出包块（0.938）的检测精度表现优异，腹壁缺损检测精度稍逊（0.826）。模型对标准切面、非标准切面及脐膨出的分类准确率分别为96.8%（151/156）、100%（55/55）和96.1%（148/154），与真实类别的一致性强（加权Kappa= 0.955，P＜0.001）。

结论

基于YOLO V8 的人工智能模型实现了脐膨出超声诊断的标准化质控与异常特征识别的协同优化，尤其适用于辅助基层医师的产前超声快速筛查。

关键词： 胎儿脐膨出; 超声智能诊断; 质量控制; 人工智能

本文引用格式

陈茵 , 谭莹 , 谭渤瀚 , 何冠南 , 王磊 , 温昕 , 朱巧珍 , 梁博诚 , 李胜利 . 基于YOLO V8 的胎儿脐膨出超声智能质量评估与诊断[J]. 中华医学超声杂志（电子版）, 2025 , 22(04) : 305 -310 . DOI: 10.3877/cma.j.issn.1672-6448.2025.04.005

Abstract

Objective

To address the issue of strong reliance on experience in identifying abnormal features during prenatal ultrasound diagnosis of fetal omphalocele， an intelligent auxiliary quality control and diagnosis model was developed to enhance the screening efficiency of primary physicians.

Methods

The data of pregnant women who underwent prenatal ultrasound examinations at Shenzhen Maternal and Child Health Hospital from January 2016 to December 2024 were retrospectively collected.A total of 324 cases of fetal omphalocele （1620 images） and 1000 cases of normal fetuses （2555 images）were included.After being labeled by ultrasound experts， the data were divided into training set， validation set， and test set at a ratio of 7：2：1 based on the case level.A dual-task model based on YOLO V8 was constructed： assessment of the quality of the cross-sectional images of the umbilical cord abdominal wall insertion （standard/non-standard） and detection of abnormal abdominal wall structures （abdominal wall defect， protruding mass）.The efficacy of the model in detecting target structures was evaluated by precision，recall rate， and average accuracy.The consistency and agreement between the model's section classification and the true category were analyzed by accuracy and weighted Kappa coefficient.

Results

The average accuracy of the model for detecting key structures reached 0.932.The detection of abdominal wall contour（0.987）， umbilical cord insertion （0.977）， and protruding mass （0.938） was excellent， while the detection accuracy of abdominal wall defect was slightly inferior （0.826）.The classification accuracy of the model for standard sections， non-standard sections， and omphalocele was 96.8% （151/156）， 100% （55/55）， and 96.1%（148/154）， respectively， and was highly consistent with the true category （weighted Kappa = 0.955， P＜0.001）.

Conclusion

The artificial intelligence model based on YOLO V8 can achieve standardized quality control and abnormal feature identification in prenatal ultrasound diagnosis of omphalocele， and is particularly suitable for assisting primary physicians in rapid prenatal ultrasound screening.

Key words： Fetal omphalocele; AI-powered ultrasound diagnosis; Quality control; Artificial intelligence

脐膨出是一种因胚胎6 ～10 周腹壁中线发育障碍导致的先天性畸形，其特征是腹腔脏器（肠管、肝脏等）经脐周缺损向外膨出，表面覆盖由腹膜与羊膜构成的囊膜，发病率为1/5000 ～1/3000［1］。 值得注意的是， 约74.3%的病例合并其他系统畸形或染色体异常［2］（如Beckwith-Wiedemann 综合征、18-三体综合征），而孤立性小型脐膨出（直径＜5 cm）因囊膜薄、脏器回纳波动等特点容易造成漏诊。当前脐膨出的产前诊断主要依赖超声成像技术［3］，其中脐带腹壁插入口横切面是诊断的关键切面。国际妇产超声学会（International Society of Ultrasound in Obstetrics and Gynecology，ISUOG）指南虽明确要求获取脐带腹壁插入口横切面作为诊断基准［4,5］，但基层医师因缺乏规范化培训，标准切面获取率仅为61%～81%［6,7］；而脐膨出的诊断高度依赖医师经验，尤以孤立性小型脐膨出为唯一异常表型的病例为著。因此，在当前高质量医疗资源分配不均的大环境下，偏远地区可能存在更大的医疗风险。近年来，基于深度学习的医学影像分析已在胎儿心脏筛查、颅脑异常检测等领域展现临床价值［8,9,10］，但其在腹壁畸形诊断中的应用仍属空白。本研究创新性地提出解剖先验引导的多分类任务学习框架，旨在实现两个目标：标准切面质量评价和脐膨出辅助诊断，以期通过人工智能（Artificial Intelligence，AI）辅助系统提高医师对标准切面的认知，降低经验依赖度，从而提高基层医院脐膨出检出率。

资料与方法

一、对象

回顾性收集2016 年1 月至2024 年12 月深圳市妇幼保健院孕11 ～32 周经产前超声提示腹壁异常的胎儿影像数据，纳入通过手术或病理确诊的脐膨出病例324 例（病例组），并按病例组孕龄分布（11 ～32 周）分层，以±1 周为区间，从同期无腹壁异常的胎儿中随机抽取对应孕龄的正常胎儿样本，匹配比例为1：3（病例组324 例：正常组972例），额外纳入28 例正常样本以增强数据平衡性，最终共纳入正常胎儿1000 例（正常组）。以其中留存的所有脐带腹壁插入口横切面图像作为研究对象。纳入标准：（1）病例组经产后手术/引产病理证实；（2）正常组经产后随访确认无腹壁畸形。排除标准：（1）超声影像资料中未包含脐带腹壁插入口横切面；（2）图像分辨率＜200 dpi。本研究获深圳市妇幼保健院伦理委员会批准（批件号：SFYLS［2022］068）。

二、仪器与方法

1.仪器：图像采集使用的超声诊断仪包括三星WS80A、开立P60 及迈瑞Resona 6OB，探头RAB4-8-D、C1-6A、SC5-1U，频率1 ～6 MHz。
2.图像筛选与质量控制：采用双盲独立筛选机制，由2 名5 年产科超声工作经验的医师（胎儿畸形筛查量＞2000 例/年）筛选出病例中包含的所有脐带腹壁插入口横切面图像，并以病例为单位建立独立的文件夹进行保存。其后由1 名15 年产科超声工作经验的资深专家（复杂胎儿畸形诊断量＞1000 例/年）复核，以确保图像均符合纳入标准。此外，为保护患者隐私，所有图像均去除患者标识信息。最终构建病例组图像1620 张以及正常组图像2555 张的多维度数据集。
3.标注规范与质量控制：使用湖南大学研发的UltraSonic MultiLabel 软件（版本1.0.21）执行分层标注。（1）结构标注。应用外接矩形框对以下结构进行框标注：腹壁轮廓、脐带插入口、腹壁缺损处、突出包块；（2）语义分类。基于上述标注的结构以及纳入对象的真实属性（正常/异常），将图像分类为以下三种类别：标准切面（同时显示完整腹壁轮廓+脐带插入口）、非标准切面（不同时显示完整腹壁轮廓+脐带插入口）、腹壁异常切面［出现腹壁缺损处和（或）突出包块］（图1）。标注团队由上述2 名5 年经验的超声医师和1 名15 年经验的资深专家共同组成。标注前，团队首先共同讨论并制定标注方案与规则，随后由2 名超声医师完成标注，再由资深超声专家复核，以确保标注的准确性和一致性。
图1 超声图像中结构的人工标注和分类。图a 为脐带腹壁插入口横切面（标准）；图b 为脐带腹壁插入口横切面（非标准）；图c，d 为脐膨出腹壁横切面的人工标注内容（绿色框：腹壁整体轮廓；蓝色框：脐带插入处；粉色框：腹壁缺损处；红色框：突出包块）
4.模型构建与验证：为避免同一个病例的不同图像分配至模型构建与测试的不同阶段，本研究应用基于病例水平的数据划分策略，按7：2：1 的比例将病例（非单张图像）随机分配为训练集、验证集和测试集，其中训练集和验证集图像用于构建模型，测试集图像用于检验模型的性能。基于卷积神经网络YOLO V8 算法，构建的模型能自动对输入的脐带腹壁插入口横切面图像进行结构检测及图像分类，最终给出标准切面、非标准切面及脐膨出的判断（图2）。
图2 基于YOLO V8 的模型对脐带腹壁插入口横切面超声图像进行结构检测及图像分类。图a 图像分类为标准切面；图b 图像分类为非标准切面；图c 图像分类为脐膨出（红色框：腹壁整体轮廓；黄色框：脐带插入处；紫色框：腹壁缺损处；浅蓝色框：突出包块）

三、统计学分析

采用IBM SPSS 27 统计软件分析数据。对于模型检测目标结构的效能，评估指标包括精确率（precision，P）、召回率（recall，R）、PR 曲线及平均精度（mean average precision，mAP50）；对于模型切面分类的效能，评价指标为准确率，并分别使用麦克尼马尔-鲍克检验及加权Kappa 系数分析其与真实类别的差异与一致性。以P＜0.05 为差异有统计学意义。

结 果

一、数据集划分

训练集包含927 例3046 张图像，验证集包含265 例764 张图像；测试集则包含132 例365 张图像，其中标准图像156 张，非标准图像55 张，腹壁异常图像154 张。

二、AI 模型结构检测结果

在测试集中，模型检测4 种结构的总体mAP50 达0.932，其中对于腹壁整体轮廓、脐带插入处和突出包块的mAP50 尤为突出，分别为0.987、0.977、0.938；但对于腹壁缺损处检测的mAP50 仅为0.826（表1，图3）。
表1 基于YOLO V8 的模型在测试集中对脐带腹壁插入口横切面超声图像不同结构及总体的检测效能
检测结构 检测出对应结构的图像数量（张） 精确率 召回率 平均精度
腹壁轮廓 364 0.966 0.962 0.987
脐带插入口 155 0.945 0.961 0.977
突出包块 153 0.891 0.889 0.938
腹壁缺损处 153 0.829 0.760 0.826
总体 365 0.908 0.893 0.932
图3 基于YOLO V8 的模型检测脐带腹壁插入口横切面超声图像4 种结构及总体结果的精确率-召回率（PR）曲线

注：AW 为腹壁轮廓；UCIS 为脐带插入口；PVS-O为突出包块；AWD-O 为腹壁缺损处；all classes 为总体；mAP 为平均精度

三、AI 模型切面分类结果

在测试集中，模型切面分类的总体准确率为96.7%（354/365），其中标准切面的分类准确率为96.8%（151/156），非标准切面全部准确分类（100.0%，55/55），而脐膨出的分类准确率为96.1%（148/154）。模型分类结果与真实类别差异无统计学意义（麦克尼马尔-鲍克检验 P=0.102），两者一致性强［ 加权Kappa= 0.955（95%CI：0.927 ～0.983），P＜0.001，表2］。
表2 基于YOLO V8 的模型在测试集中对脐带腹壁插入口横切面超声图像的分类与真实类别的比较（张）
模型分类 真实类别 合计
标准切面 非标准切面 脐膨出
标准切面 151 0 2 153
非标准切面 2 55 4 61
脐膨出 3 0 148 151
合计 156 55 154 365

讨 论

本研究针对胎儿脐膨出产前超声诊断的临床难点，首次构建基于YOLO V8 算法的智能模型，实现了脐带腹壁插入口横切面质量评估与腹壁异常特征识别的同步自动化分析。该模型通过解剖结构检测与图像分类的双任务协同优化，在利用小样本数据的情况下实行共享特征提取，结构检测的总体平均精度达0.932，标准切面识别准确率为96.7%，达到了三级医院专家的诊断水平。同时，在保证检测精度的前提下，模型推理速度达24 ms/张（约41.7 帧/s），满足实时超声检查的帧频需求（≥30 帧/s）。尽管本研究目前基于回顾性图像分析验证模型效能，但其处理速度表明该技术具备集成至实时超声检查流程的潜在能力。这一突破为基层医院提供了两重价值：其一，通过实时切面质量反馈，规范超声扫查手法，减少因操作不当导致的漏诊；其二，借助异常结构的突出标注，引导医师关注高危征象（如腹部缺损、内脏膨出），辅助快速决策。本研究利用智能模型在胎儿腹壁畸形筛查领域提供了新的技术路径，为推进产前超声均质化诊疗提供了可行工具。
本研究构建的AI 模型在脐带腹壁插入口横切面关键结构检测中展现出一定的性能差异。对于腹壁整体轮廓、脐带插入口及突出包块的检测均达到优异水平（mAP50 分别为0.987、0.977 和0.938），这一结果与目标结构的超声影像学特征及标注一致性密切相关。腹壁轮廓作为连续的高回声带，其解剖边界清晰，且受胎儿体位干扰较小，模型可高效捕捉其空间连续性；脐带插入口因固定的脐血管走行特征，结合YOLO V8 的锚框优化策略，模型能够精准地对其进行定位；尽管膨出的内容物存在差异，但突出包块与腹壁及腹腔内部本身具有显著回声差异，这使得模型能实现高敏感度识别。上述结构的高精度检测为临床提供了较为可靠的自动化工具，尤其可辅助基层医师快速识别特征影像。相比之下，腹壁缺损处的检测精度（mAP50=0.826）亟待提升，尽管模型对腹壁缺损识别的精确率（P=0.829）较高，提示误报率较低，但其召回率（R=0.760）显著低于其他结构，表明漏检仍是主要问题。其局限性可能来源于两个方面：首先，较小的缺损（＜1 cm）在声像图表现为模糊的低回声区，易与脐带根部声影混淆［11,12］；其次，数据集中早期孕龄（＜12 周）的小缺损样本不足，限制了模型对细微特征的泛化能力。
本模型在脐带腹壁插入口切面分类任务中表现出色，总体准确率达96.7%，加权Kappa 值0.955，表明模型与专家标注的一致性接近完美，这一结果与Xie 等［10］提出的深度学习在胎儿超声图像分类中的应用趋势高度一致，进一步验证了AI 技术在标准化切面质控中的可行性。标准切面与非标准切面的质控效能是本研究的亮点之一。模型对非标准切面的分类准确率达100%，其优势可能源于此类切面的特征明确：当因操作不当（如倾斜或偏移）而导致切面中脐带插入口显示不清晰，这一图像特征相对固定，便于模型学习。这一结果也印证了AI 在规范超声扫查流程中的潜力——通过实时反馈切面质量，辅助低年资医师纠正操作偏差，从而提升标准切面获取率［13,14］。另一方面，标准切面的分类中也表现出低误判率（3.2%）：在误判的5 例中，2 例因孕母肥胖导致腹壁轮廓或脐带插入口模糊，3 例因显示周边其他附属物或肢体而误判为脐膨出包块，此类挑战与临床实际高度吻合。脐膨出切面的高识别准确率（96.1%）进一步凸显模型价值，这主要得益于本模型对于脐膨出分类的优先策略：只要检测出腹壁缺损和（或）突出包块，即分类为脐膨出，此时医师应提高警惕进一步排除。这种“保守偏倚”可降低漏诊风险，符合临床优先排除异常的安全原则。在误判的6 例中，2 例为孕龄＜12 周的小型膨出（包块直径＜2 mm），其囊膜薄、回声特征接近正常脐带胶质；另4 例因羊水过少或胎盘遮挡导致膨出物边界模糊。
本研究的局限性包括：（1）数据来源于单中心回顾性样本，未涵盖更多的设备，可能影响模型泛化性；（2）腹壁缺损检测精度仍有待提高，尤其是孕龄＜12 周的小型缺损样本不足，限制早期诊断能力；（3）模型在超声设备上的性能及动态扫查适用性有待验证。未来研究可从以下方向突破：（1）联合多中心前瞻性数据，纳入不同设备及复杂病例，提升模型普适性；（2）本智能模型后续可分配权重以增强小缺损（＜1 cm）的细节捕捉能力，并结合腹壁解剖空间位置约束的后处理规则，使腹壁缺损检测精度（mAP50）提升；（3）探索模型与超声设备的嵌入式集成，为将来实现基层均质化筛查提供技术支撑。
综上，本研究针对脐膨出诊断的标准化与经验依赖痛点，构建了基于YOLO V8 的双任务智能模型，显著提升了标准切面质控与异常特征识别效能。模型展现出接近专家水平的筛查能力，为基层医院降低漏诊风险提供了技术保障。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
1
李胜利， 罗国阳.胎儿畸形产前超声诊断学［M］.2 版.2017： 科学出版社.

2
Stoll C， Alembik Y， Roth MP.Cooccurring non-omphalocele and nongastroschisis anomalies among cases with congenital omphalocele and gastroschisis［J］.Am J Med Genet A， 2021， 185（7）： 1954-1971.

3
Liang YL， Kang L， Tsai PY， et al.Prenatal diagnosis of fetal omphalocele by ultrasound：A comparison of two centuries［J］.Taiwan J Obstet Gynecol， 2013， 52（2）： 258-263.

4
Salomon LJ， Alfirevic Z， Berghella V， et al.ISUOG Practice Guidelines（updated）：performance of the routine mid-trimester fetal ultrasound scan［J］.Ultrasound Obstet Gynecol， 2022， 59（6）： 840-856.

5
Salomon LJ， Alfirevic Z， Berghella V， et al.Practice guidelines for performance of the routine mid-trimester fetal ultrasound scan［J］.Ultrasound Obstet Gynecol， 2011， 37（1）： 116-126.

6
沈丽君， 陆佳佳， 钱燕芳， 等.对基层医院进行产科超声标准化切面扫查培训的效果［J］.医药前沿， 2024， 14（33）： 67-69，73.

7
广东省预防医学会出生缺陷预防与控制专业委员会， 中华医学会儿科分会心血管病学组胎儿心脏病协作组.胎儿超声心动图检查技术规范（2021 版）［J］.岭南心血管病杂志， 2022， 28（3）： 282-286.

8
Arnaout R， Curran L， Zhao Y， et al.An ensemble of neural networks provides expert-level prenatal detection of complex congenital heart disease［J］.Nat Med， 2021， 27（5）： 882-891.

9
Lin M， Zhou Q， Lei T， et al.Deep learning system improved detection efficacy of fetal intracranial malformations in a randomized controlled trial［J］.NPJ Digit Med， 2023， 6（1）： 191.

10
Xie HN， Wang N， He M， et al.Using deep-learning algorithms to classify fetal brain ultrasound images as normal or abnormal［J］.Ultrasound Obstet Gynecol， 2020， 56（4）： 579-587.

11
熊奕， 王慧芳， 林琪， 等.规范超声筛查胎儿脐膨出的价值［J］.中国超声医学杂志， 2006， 22（3）： 224-225.

12
张涛， 赵胜， 杨小红， 等.早孕期胎儿腹壁缺损的超声诊断［J/OL］.中华医学超声杂志（电子版）， 2023， 20（11）： 1139-1144.

13
郭文佳， 罗丹丹， 徐荟， 等.新型智能产前超声技术SFA 自动识别与获取胎儿标准切面［J］.中国医学影像技术， 2023， 39（1）： 65-69.

14
谭莹， 文华轩， 彭桂艳， 等.产科超声图像智能质量控制系统的效能［J］.中国医学影像技术， 2022， 38（9）： 1361-1366.

Options
文章导航

/

〈 〉

版权所有 中华医学会 中华医学电子音像出版社有限责任公司  京ICP备14006079号-1  网络出版服务许可证：(署)网出证(京)字第075号

AI
小
编
AI小编
你好！我是《中华医学电子期刊资源库》AI小编，有什么可以帮您的吗？