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 08: 703 - 710

DOI: https://doi.org/10.3877/cma.j.issn.1672-6448.2025.08.004

妇产科超声影像学

基于注意力机制改进的子宫解剖结构检测与分割多任务模型的性能评估

  • 江瑶 1 ,
  • 蒋程 2 ,
  • 余翔 1 ,
  • 谭莹 1 ,
  • 温昕 1 ,
  • 温慧莹 1 ,
  • 彭桂艳 1 ,
  • 李胜利 , 1, †
展开
  • 1　518028　南方医科大学妇女儿童医学中心深圳市妇幼保健院超声科
  • 2　410082　长沙，湖南大学计算机学院

通信作者：

李胜利，Email：

Copy editor: 汪荣

收稿日期: 2025-06-20

  网络出版日期: 2025-09-29

基金资助

深圳市自然科学基金基础研究面上项目(JCYJ20240813115114020)

版权

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。本刊为电子期刊，以网刊形式出版。
收起

Performance of an attention-enhanced multi-task model for uterine anatomical structure detection and segmentation

  • Yao Jiang 1 ,
  • Cheng Jiang 2 ,
  • Xiang Yu 1 ,
  • Ying Tan 1 ,
  • Xin Wen 1 ,
  • Huiying Wen 1 ,
  • Guiyan Peng 1 ,
  • Shengli Li , 1, †
Expand
  • 1 Department of Ultrasonography, Shenzhen Maternal and Child Healthcare Hospital, Women and Children's Medical Center, Southern Medical University, Shenzhen 518028, China
  • 2 College of Computer Science, Hunan University, Changsha 410082, China

Corresponding author:

Li Shengli, Email:

Received date: 2025-06-20

  Online published: 2025-09-29

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

以YOLOv8框架为基础，引入高效多尺度注意力（EMA）机制，构建子宫解剖结构检测与分割智能模型（IMSU），并评估其性能。

方法

回顾性收集2021年1月至2022年12月深圳市妇幼保健院共计4326张非妊娠子宫正中矢状切面超声图像，人工标注子宫宫体、宫颈及内膜3个关键解剖结构，建立图像数据库。按8∶1∶1比例划分为训练集（3460张）、验证集（433张）与测试集（424张），引入EMA机制对YOLOv8模型进行改进，构建IMSU。首先训练并验证原始YOLOv8标准模型及基于EMA模块改进的模型（IMSU），随后在测试集上对两种模型对子宫宫体、宫颈及内膜的自动结构检测与分割性能进行评估，评估指标包括精确率、召回率、平均精度（mAP）2个层级指标（mAP@50与mAP@50-95）。

结果

在3个关键结构自动检测任务中，IMSU的整体平均精确率（0.920 vs 0.905）、召回率（0.939 vs 0.917）及mAP@50（0.952 vs 0.933）均优于YOLOv8；尤其对宫颈的检测mAP@50值由0.858提升至0.919，召回率由0.778提升至0.842。在自动分割任务中，与YOLOv8相比，IMSU整体平均精确率由0.905提升至0.914，召回率由0.915提升至0.933，mAP@50由0.930提升至0.952，mAP@50-95亦从0.661提升至0.677；对宫颈的分割mAP@50-95由0.570提升至0.597。

结论

融合EMA机制的IMSU显著提升了非妊娠子宫正中矢状切面关键结构的自动检测性能与分割精度，为实现子宫结构的智能量化测量及超声辅助诊断提供了技术支持，具有良好的临床应用前景。

关键词： 子宫; 人工智能; 深度学习; 自动分割; 超声成像

本文引用格式

江瑶 , 蒋程 , 余翔 , 谭莹 , 温昕 , 温慧莹 , 彭桂艳 , 李胜利 . 基于注意力机制改进的子宫解剖结构检测与分割多任务模型的性能评估[J]. 中华医学超声杂志（电子版）, 2025 , 22(08) : 703 -710 . DOI: 10.3877/cma.j.issn.1672-6448.2025.08.004

Abstract

Objective

 To develop an intelligent model for uterine anatomical structure detection and segmentation (IMSU) by integrating the Efficient Multi-scale Attention (EMA) mechanism into the You Only Look Once version 8 (YOLOv8) framework and evaluate its performance.

Methods

 A total of 4326 non-pregnant mid-sagittal uterine ultrasound images were retrospectively collected from Shenzhen Maternity and Child Healthcare Hospital (January 2021-December 2022). Three key anatomical structures (uterine corpus, cervix, and endometrium) were manually annotated to establish an image database. The dataset was divided into training (3460 images), validation (433 images), and test sets (424 images) at an 8∶1∶1 ratio. An IMSU model was constructed by enhancing YOLOv8 with the EMA module. Both the baseline YOLOv8 and IMSU models were trained and validated, followed by performance evaluation on the test set for automated detection and segmentation of uterine structures. Metrics included precision, recall, and mean Average Precision (mAP) at two levels: mAP@50 and mAP@50-95.

Results

 For detection tasks, IMSU outperformed YOLOv8 in overall precision (0.920 vs 0.905), recall (0.939 vs 0.917), and mAP@50 (0.952 vs 0.933). Notably, cervical detection mAP@50 improved from 0.858 to 0.919 and recall increased from 0.778 to 0.842. In segmentation tasks, IMSU achieved higher precision (0.914 vs 0.905), recall (0.933 vs 0.915), mAP@50 (0.952 vs 0.930), and mAP@50-95 (0.677 vs 0.661). Cervical segmentation mAP@50-95 rose from 0.570 to 0.597.

Conclusion

 The EMA-enhanced IMSU significantly improves automated detection and segmentation accuracy for key uterine structures in mid-sagittal ultrasound images, providing technical support for intelligent quantitative uterine measurements and ultrasound-assisted diagnosis with promising clinical applicability.

Key words： Uterus; Artificial intelligence; Deep learning; Automatic segmentation; Ultrasound imaging

超声影像技术是妇科疾病筛查与诊断的重要方法，其依赖于对解剖结构的准确识别与定量分析。根据美国超声医学会（American Institute of Ultrasound in Medicine，AIUM）女性盆腔超声检查的实践指南，子宫正中矢状切面是重要的观察切面之一，在该切面可以观察宫体、宫颈及子宫内膜的形态并进行标准化测量，这对于判断子宫病变、子宫内膜病变以及宫颈异常具有重要意义，是临床诊断的重要依据之一［1］。当前，人工测量方法在妇科超声诊断中存在操作依赖性强、主观差异大、测量重复性差等问题，急需通过标准化协议或自动化技术改进［2-3］。
与此同时，超声图像具有组织对比度低、结构边界模糊等特点［4-5］，这进一步加剧了传统算法在子宫结构自动检测与分割中的误差风险，限制了模型的鲁棒性与实用性。近年来，基于先进深度学习框架的目标检测算法在医学图像分析领域展现出突出优势，相关技术通过高效的特征提取与智能识别机制，在病灶定位、器官结构分析等场景中实现了精准的视觉信息解析，为医学影像的自动化诊断提供了强有力的技术支撑［6-7］，但由于子宫宫体与宫颈的分界模糊，且该区域常伴声影干扰或容积效应伪影，使得当前主流的检测算法在该结构的定位精度方面仍受限于多尺度特征融合能力不足。
为突破上述瓶颈，图像分析任务引入了注意力机制，通过动态引导模型聚焦关键区域与特征，从而显著改善结构细节的识别效果。本研究以YOLOv8框架为基础［8-9］，提出融合高效多尺度注意力（efficient multi-scale attention，EMA）模块［9-10］，构建了子宫正中矢状切面智能模型（intelligent model for the midsagittal section of the uterus，IMSU），该模块优化了特征空间的权重分配策略，重点增强对宫颈、内膜等边界不清的小结构的识别鲁棒性。本研究旨在为构建符合AIUM指南标准的智能化子宫测量系统提供算法支撑，推动妇科超声从依赖经验的定性判断向精准、量化、标准化方向发展。

资料与方法

一、对象

回顾性纳入2021年1月至2022年12月在深圳市妇幼保健院接受经阴道或经直肠超声检查且未见明显异常的健康成年女性共4326张图像质量清晰的子宫正中矢状切面的超声图像作为研究对象。受试者年龄范围为14~60岁，平均年龄为（30±10）岁。纳入标准：（1）非妊娠期女性；（2）妇科超声检查显示子宫、双侧卵巢及附件区均未见明显异常；（3）经阴道或经直肠途径进行超声检查。排除标准：（1）子宫宫体、宫颈或内膜显示不完整的图像；（2）图像模糊，结构边界不清，影响标注与分析者。本研究为回顾性研究，已获得深圳市妇幼保健院伦理委员会批准（批件号：SFYLS[2025]056），研究仅分析历史匿名数据且风险不超过最小风险，符合免除知情同意的条件。

二、仪器与方法

（一）仪器

本研究纳入的超声图像由5种型号的高分辨率超声设备采集，包括三星WS80A、开立S80、开立S60 Pro、开立P60以及迈瑞Resona 60B。所有设备均具备妇科经阴道及经直肠探头成像功能，满足常规妇科超声检查要求。

（二）方法

1.建立及分配数据库：本研究由3名具备中级职称的妇产超声专家使用Ultrasonic Label标注软件，对共计4326张非妊娠子宫正中矢状切面超声图像进行手动标注，之后由2名高级职称的妇产超声专家进行复核修正，由此构建非妊娠子宫正中矢状切面图像数据库。标注内容包括3个关键解剖结构：子宫宫体、子宫宫颈及子宫内膜，除了以矩形框标注目标结构以外，还针对其轮廓进行了精细化描绘。按照大致8∶1∶1比例，从数据库中随机抽取图像划分为训练集（3460张）、验证集（433张）及测试集（424张）。模型训练过程中，采用训练集图像进行多轮训练，同时在验证集图像上持续监测模型性能，防止过拟合或欠拟合。在各轮训练中，记录并保留性能最佳的模型权重，最终在测试集上对构建的、加载最佳权重的IMSU进行评估验证。
2. IMSU功能模块：本研究提出的IMSU由两个主要功能模块构成：目标检测与图像分割。其目标检测模块用于实现对子宫正中矢状切面图像中关键解剖结构（包括子宫宫体、宫颈、子宫内膜）的自动识别与精确定位；图像分割模块则用于对子宫宫体、宫颈和内膜的轮廓进行像素级分割与提取。基于分割结果，可进一步计算并量化相关形态学参数，如子宫宫体及宫颈大小、内膜厚度，为后续临床诊断和量化分析提供客观数据支持。
3.基于YOLOv8模型的解剖结构检测：本研究基于YOLOv8模型搭建解剖结构自动检测网络，用于识别子宫正中矢状切面图像中的子宫宫体、宫颈及内膜。模型由3部分组成：骨干网络、颈部网络和输出头（图1）。骨干网络依次堆叠多层卷积模块与跨阶段部分融合卷积模块，用于提取图像的多尺度特征。颈部网络采用简化的路径聚合结构（path aggregation network，PANet），通过上采样（Upsample）和通道拼接（Concat）连接不同尺度的特征图，并利用空间金字塔池化（spatial pyramid pooling–fast，SPPF）模块融合多层信息。最终输出部分在P3、P4、P5这3个特征层上分别设置3个检测头，分别完成解剖结构的掩膜预测（Head_Mask）、边界框定位（Head_Box）和分类任务（Head_Cls）。模型训练中引入动态锚框机制和自适应标签分配策略，实现结构精准定位与识别。
图1 YOLOv8模型网络结构图。模型由骨干网络、颈部网络和网络输出头3个部分组成，骨干网络通过多个卷积层（Conv1至Conv5）提取特征，并在每个阶段后进行通道维度拼接（Concat）；颈部网络（PANet）通过上采样（Upsample）和卷积模块（Conv7和Conv8）进一步融合不同尺度的特征；最终，网络输出头生成不同层级的预测结果（Head_Mask、Head_Box和Head_Cls），适用于多任务检测和分割任务
4.基于改进的YOLOv8模型（IMSU）的解剖结构检测：针对非妊娠子宫结构在超声图像中呈现的对比度低、边界模糊、形态差异大等识别难点，本研究在YOLOv8模型的基础上引入EMA机制［9］，以提升模型对子宫宫体、子宫宫颈及子宫内膜等解剖区域的识别准确性和鲁棒性。EMA模块结构主要包括以下3个核心环节（图2）：首先，输入的特征图会按照通道维度进行分组，并对部分分组执行通道重塑操作，即将通道维度转换至批次维度，从而在不增加计算负担的前提下，保留各通道的完整结构信息。这一策略有助于模型在后续处理中更有效地区分不同解剖区域的细节特征。其次，模块并行执行两条不同尺度的卷积操作：其中一支采用1×1卷积以捕捉全局通道间的关联性，另一支采用3×3卷积强化局部空间关系建模。两支特征输出随后通过加权融合，构建兼具全局感知与局部敏感性的综合特征图。再次，为进一步增强对关键区域（如子宫宫颈、子宫内膜）的定位能力，EMA引入空间注意力机制。该机制通过对二维特征图施加全局平均池化，提取不同空间位置的重要性信息，生成空间注意力图，从而突出解剖结构边缘、抑制背景干扰，改善目标区域的分割边界清晰度。
图2 高效多尺度注意力（EMA）机制的结构示意图。输入数据首先被分组处理，每组数据尺寸为C/G×H×W，其中C、H、W分别代表通道数、高度和宽度，G为分组数；在分组内部，数据通过X轴池化和Y轴池化进行特征提取，并经过拼接与1×1卷积层处理，随后通过Sigmoid激活函数生成权重；同时，3×3卷积层处理后的特征通过Softmax激活函数计算得到归一化的权重；这些权重与原始特征通过矩阵乘法结合，再与另一路径的直接矩阵乘法结果相加，最终通过Sigmoid激活函数输出调整后的特征图，尺寸保持为C×H×W；整个过程体现了EMA机制对不同特征通道和空间位置的动态加权，以增强模型对关键信息的关注度
如图3所示，本研究将EMA集成于YOLOv8模型中颈部结构的末端（PANet网络）。这样做的好处是EMA恰好处于不同尺度特征融合的关键节点，有助于模型在多分辨率层面同步识别较大（如子宫宫体）与较小（如宫颈、内膜）目标区域，并通过对应检测头（P3、P4、P5）输出结构化识别及位置结果。根据检测结果，网络从输出头检测到的关键解剖结构的分割结果输出。
图3 基于高效多尺度注意力（EMA）机制改进的YOLOv8检测及实例分割模型。将EMA加至颈部网络的关键位置，即在卷积层Conv7和Conv8之后，以及C2f模块与网络输出头之间；这样设计的目的在于让EMA充分发挥其在多尺度特征融合和注意力调整上的优势，为最终的预测结果提供更丰富和准确的特征表示
本研究在训练配置方面，采用100个训练周期（epochs）并设置20个周期的早停阈值，数据加载批次大小为16，通过8线程加速数据加载，输入图像统一缩放至640×640像素分辨率。优化器选择随机梯度下降（stochastic gradient descent，SGD）算法，其动量参数设为0.937，权重衰减系数为0.0005，初始学习率设置为0.01并采用线性衰减策略，特别包含3个周期的学习率预热阶段以稳定初期训练。损失函数设计方面，边界框回归、分类损失和分布焦点损失的权重分别配置为7.5、0.5和1.5，同时通过1/4的掩码下采样率（mask_ratio=4）实现高分辨率掩码输出。数据增强策略采用多模态组合：在颜色空间进行HSV色调扰动（±0.015）、饱和度缩放（±70%）和亮度缩放（±40%）；在空间维度实施50%概率的水平翻转、±10%随机平移和±50%尺度缩放；特别应用RandAugment自动增强算法，并保持100%马赛克增强概率以提升模型泛化能力。训练过程在NVIDIA GPU硬件平台上执行，通过固定随机种子（seed=0）确保实验可复现性。
5.基于分割结果的形态学参数测量：首先对分割掩码进行预处理，包括二值化、连通域分析及形态学去噪，以确保目标解剖结构（如子宫宫体、宫颈、内膜）的完整性。随后，通过像素级计算提取原始参数，包括目标区域的像素面积、轮廓周长及形状因子（如圆形度、长轴/短轴比值），并结合医学影像的像素间距（pixel spacing）进行单位转换，实际面积公式为：
实际周长为：
其中Δx和Δy为超声影像设备的物理像素间距。
6.模型性能的评估：本研究选取了精确率（Precision）、召回率（Recall）、平均精度（mean average precision，mAP）两个层级指标（mAP@50与mAP@50-95），以全面反映模型的识别效能。其中，精确率为模型预测为阳性的样本中实际阳性的占比，反映其在避免误识别方面的能力；召回率则表示模型成功识别的实际阳性样本占比，体现其对漏检的控制能力。两者协同反映了模型“准确性”与“完整性”之间的均衡关系。mAP@50指标基于交并比（intersection over union，IoU）阈值为0.5时各类别平均精度（average precision，AP）的均值，主要用于评估模型在中等定位要求下的整体检测性能。而mAP@50-95则以IoU阈值从0.5递增至0.95（步长为0.05）逐级计算平均值，能够更全面地反映模型在不同精度要求下的鲁棒性与泛化能力，尤其适合评估小尺度目标（如宫颈口、内膜线）及复杂解剖背景中的表现。

结果

本研究首先训练并验证了原始YOLOv8标准模型及基于EMA模块改进的模型（IMSU），随后在测试集上对二者进行性能评估。

一、目标结构检测结果比较

从检测结果来看，改进的IMSU在整体性能上优于YOLOv8标准模型，尤其在子宫宫颈这一检测难点上优势显著。宫颈的mAP@50值由0.858提升至0.919，召回率由0.778提升至0.842，表明引入EMA机制有效增强了模型对边界模糊、小体积结构的识别能力。整体平均指标方面，IMSU的精确率（0.920 vs 0.905）、召回率（0.939 vs 0.917）及mAP@50（0.952 vs 0.933）均优于YOLOv8，提示其在子宫正中矢状切面结构自动检测任务中具有更高的准确性和稳定性（表1）。
表1 YOLOv8标准模型与改进的IMSU对非妊娠期子宫正中矢状切面结构的检测结果
解剖结构 检测精确率 检测召回率 检测mAP@50 检测mAP@50-95
IMSU YOLOv8 IMSU YOLOv8 IMSU YOLOv8 IMSU YOLOv8
子宫宫体 0.980 0.969 0.992 0.992 0.991 0.994 0.912 0.884
子宫内膜 0.939 0.914 0.983 0.983 0.946 0.948 0.611 0.600
子宫宫颈 0.840 0.831 0.842 0.778 0.919 0.858 0.654 0.617
整体平均 0.920 0.905 0.939 0.917 0.952 0.933 0.726 0.700

注：IMSU为基于YOLOv8改进的非妊娠期子宫正中矢状切面智能模型；mAP@50为交并比阈值为0.5时各类别平均精度；mAP@50-95为交并比阈值从0.5递增至0.95之间的平均精度

二、自动分割结果比较

在自动分割方面，IMSU同样全面优于YOLOv8标准模型（表2，图4）。整体平均精确率由0.905提升至0.914，召回率由0.915提升至0.933，mAP@50由0.930提升至0.952，mAP@50-95亦从0.661提升至0.677，显示出改进模型在结构边界识别与定位精度方面的综合优势。
表2 YOLOv8标准模型与改进的IMSU对非妊娠期子宫正中矢状切面结构的分割结果
解剖结构 分割精确率 分割召回率 分割mAP@50 分割mAP@50-95
IMSU YOLOv8 IMSU YOLOv8 IMSU YOLOv8 IMSU YOLOv8
子宫宫体 0.980 0.980 0.992 0.992 0.991 0.994 0.897 0.895
子宫内膜 0.923 0.903 0.965 0.973 0.946 0.939 0.535 0.519
子宫宫颈 0.840 0.832 0.842 0.781 0.919 0.858 0.597 0.570
整体平均 0.914 0.905 0.933 0.915 0.952 0.930 0.677 0.661

注：IMSU为基于YOLOv8改进的非妊娠期子宫正中矢状切面智能模型；mAP@50为交并比阈值为0.5时各类别平均精度；mAP@50-95为交并比阈值从0.5递增至0.95之间的平均精度

图4 超声图像中基于YOLOv8模型和子宫正中矢状切面智能模型（IMSU）对子宫宫体、内膜与宫颈的分割实例效果对比展示。图a~d、e~h、i~l分别为子宫宫体、内膜与宫颈结构的超声原始图像及专家标注、YOLOv8模型自动分割、IMSU自动分割的结果

三、解剖结构测量

本研究在获得的分割结果基础上进行了各解剖结构的测量。其中基于IMSU分割结果获得的测量值与真实值较为接近，进一步表明IMSU的可靠性和实用性（图5）。
图5 超声图像中基于YOLOv8模型和子宫正中矢状切面智能模型（IMSU）对子宫宫体、内膜与宫颈的分割结果进行测量的对比展示。图a~d、e~h、i~l分别为子宫宫体、内膜与宫颈结构的超声原始图像及专家测量、YOLOv8模型测量、IMSU测量的结果

讨论

本研究基于Yolov8框架构建的IMSU在非妊娠期子宫正中矢状切面解剖结构检测与分割任务中展现出显著优势。实验数据表明，通过引入EMA机制，模型对宫颈的识别性能得到了提升（mAP@50提升0.061），这主要得益于该模块增强了模型对局部细微特征的捕捉能力。在临床应用方面，本研究结果对妇科超声影像分析具有重要价值：（1）自动化结构识别可有效解决传统超声检查中操作者依赖性强的问题；（2）精确的解剖结构分割为子宫内膜厚度测量、宫颈机能评估等关键临床指标提供了量化基础。
值得注意的是，IMSU在子宫宫体检测及分割中均达到0.991的mAP@50值，这与子宫宫体在超声影像中具有相对固定的解剖位置和清晰的边界特征密切相关。而宫颈检测性能及分割结果指标相对较低（mAP@50-95分别为0.654、0.597），可能与宫颈的解剖位置接近探头、易受操作者技术差异影响以及图像中的伪影有关。然而，通过引入EMA机制，宫颈检测的召回率从0.778提升至0.842，这种改善对宫颈机能不全的早期筛查尤为重要，因为准确的宫颈长度测量是预测早产风险的关键参数［11,12,13］。
在子宫内膜检测方面，IMSU表现出0.983的召回率，能够有效识别子宫内膜结构，这对评估异常子宫出血的病因以及子宫内膜病变具有重要的临床意义［14-15］。然而，内膜分割的mAP@50-95值较低（0.535），这一问题可能与内膜在不同生理周期中厚度变化较大，导致模型难以适应其动态变化［15］。未来研究可考虑引入月经周期等信息，以进一步优化模型性能。
尽管本研究已取得一定成果，但仍存在一些局限性。首先，本研究为单中心研究，数据来源单一，且样本量相对较小，这可能限制了模型的泛化能力，特别是在面对不同解剖变异或病理状态时的适应性。其次，尽管引入了EMA机制提升了检测精度，但模型的推理速度未进行专门测试，因此在高负荷临床环境下的实时性仍需进一步验证。此外，模型在宫颈和子宫内膜的检测与分割性能方面仍有提升空间，尤其是在宫颈形态变化较大或内膜厚度变化不一的情况下，现有模型在处理这些变异时的鲁棒性不足。针对这些问题，未来工作将聚焦于构建更为多样化和大规模的训练数据集，以提高模型的泛化能力；同时，优化模型的推理速度，确保其在临床环境中的实时应用；此外，探索多模态数据融合，如结合MRI或CT等影像信息，以进一步提升模型的精度与鲁棒性。本研究为智能子宫解剖分析提供了创新思路，但其临床应用仍需进一步探索与优化。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
1
AIUM practice parameter for the performance of ultrasound of the female pelvis, 2024 revision [J]. J Ultrasound Med, 2024, 43(11): E56-E64.

2
Du H, Zhang X, Zhang Y, et al. A review of robot-assisted ultrasound examination: Systems and technology [J]. Int J Med Robot, 2024, 20(4): e2660.

3
Thomassin-Naggara I, Rousset P, Touboul C, et al. Reasons why it is time to change imaging guidelines on endometriosis[J]. Eur Radiol, 2024, 34(9): 6175-6181.

4
Shiina T, Nightingale KR, Palmeri ML, et al. WFUMB guidelines and recommendations for clinical use of ultrasound elastography: Part 1: basic principles and terminology [J]. Ultrasound Med Biol, 2015, 41(5):1126-1147.

5
Fascilla FD, Cramarossa P, Cannone R, et al. Ultrasound diagnosis of uterine myomas [J]. Minerva Ginecol, 2016, 68(3): 297-312.

6
Dhombres F, Bonnard J, Bailly K, et al. Contributions of artificial intelligence reported in obstetrics and gynecology journals: systematic review [J]. J Med Internet Res, 2022, 24(4): e35465.

7
Mension E, Carmona F, Vannuccini S, et al. Clinical signs and diagnosis of fibroids from adolescence to menopause [J]. Fertil Steril, 2024, 122(1): 12-19.

8
张朝阳, 张上, 胡益民, 等. 动态聚焦多维注意力遥感弱小目标检测[J]. 无线电通信技术, 2025, 51(1): 196-209.

9
苏警. 基于深度学习的图像分类与目标检测算法研究[J]. 电脑编程技巧与维护, 2025, (5): 131-133.

10
杨仕伟, 南新元, 蔡鑫, 等. PAMNS-Net: 基于原型学习和自适应多分支融合的细胞核分割网络[J]. 激光与光电子学进展, 2025, 62(24): 3.

11
Ramachandran A, Clottey KD, Gordon A, et al. Quality assessment and systematic review of prediction and prevention of preterm birth: Quality assessment and systematic review of clinical practice guidelines using the AGREE Ⅱ framework [J]. Int J Gynaecol Obstet, 2024, 166(3): 932-942.

12
Melcer Y, Maymon R, Jauniaux E. Vasa previa: prenatal diagnosis and management [J]. Curr Opin Obstet Gyneco, 2018, 30(6): 385-391.

13
林小辉, 陈晓华. 阴道超声测量宫颈长度及子宫宫颈前角用于早产预测中的价值[J]. 中国医疗器械信息, 2024, 36(3): 36-38.

14
林举, 陈德高, 林玉玲, 等. 阴道超声测量子宫内膜厚度与异常子宫出血者组织病理学结果的相关性[J]. 中国卫生工程学, 2022, 21(4): 661-663．

15
Vitale SG, Riemma G, Haimovich S, et al. Risk of endometrial cancer in asymptomatic postmenopausal women in relation to ultrasonographic endometrial thickness: systematic review and diagnostic test accuracy meta-analysis [J]. Am J Obstet Gynecol, 2023, 228(1): 22-35.

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？