基于少样本学习的宫缩裂脑垂体图像片浆瘀特征自动检测方法
计算机视觉与模式识别
2025-10-27 v1 神经与进化计算
摘要
宫缩裂是妊娠期的严重并发症，早期准确诊断对于确保母婴安全至关重要。传统的超声诊断方法高度依赖于医师经验，导致主观偏差和诊断不一致等问题。本文提出一种改进模型 EH-YOLOv11n（Enhanced Hemorrhage-YOLOv11n），基于小样本学习，旨在实现对宫缩裂超声图像中片浆瘀特征的自动检测。该模型通过多维优化提升性能：集成小波卷积和坐标卷积以强化频率和空间特征提取；引入级联注意力机制以抑制超声杂质和遮挡干扰，从而提高边界框定位精度。实验结果表明，检测准确率达78%，相较于 YOLOv11n 提升2.5%，相较于 YOLOv8 提升13.7%。该模型在精确召回曲线、置信度评分及遮挡场景方面表现出显著优势。结合高精度与实时处理能力，本模型为宫缩裂的计算机辅助诊断提供了可靠方案，具有重要临床应用价值。
引用
@article{arxiv.2510.21495,
title = {An Automatic Detection Method for Hematoma Features in Placental Abruption Ultrasound Images Based on Few-Shot Learning},
author = {Xiaoqing Liu and Jitai Han and Hua Yan and Peng Li and Sida Tang and Ying Li and Kaiwen Zhang and Min Yu},
journal= {arXiv preprint arXiv:2510.21495},
year = {2025}
}