YOLOv5x-seg 模型在鼻腭管分叉状态评估中的卓越表现

为评估鼻腭管（NPC）分叉状态，研究人员用 YOLOv5x-seg 模型开展研究，结果显示其预测精度高。

　　鼻腭管（Nasopalatine Canal，NPC）是一种形态各异的解剖结构。锥形束计算机断层扫描（Cone-Beam Computed Tomography，CBCT）能够使 NPC 可视化。同时，CBCT 在许多人工智能（Artificial Intelligence，AI）研究中都有应用。“你只看一次”（You Only Look Once，YOLO）是一个以速度见长的 AI 框架。本研究对比了观察者和 AI 在 CBCT 图像中对 NPC 的分割以及 NPC 分叉状态的评估。

在这项研究中，使用了 200 张 CBCT 图像的轴向切片。这些图像被标记并评估是否存在 NPC 分叉。随后，这些图像被分为三组：160 张图像作为训练数据集，20 张作为验证数据集，20 张作为测试数据集。利用 YOLOv5x-seg 模型进行 800 次迭代训练。

研究测定了 YOLOv5x-seg 模型在 NPC 检测、分割和分类中的灵敏度、精度、F₁分数、交并比（IoU）、平均精度均值（mAP）和曲线下面积（AUC）值。对于不存在 NPC 分叉的组，这些值分别为 0.9680、0.9953、0.9815、0.9636、0.7930 和 0.8841；对于存在 NPC 分叉的组，这些值分别为 0.9827、0.9975、0.9900、0.9803、0.9637 和 0.9510。

研究结果表明，即便使用 NPC 分叉相关数据且数据集较少，YOLOv5x-seg 模型仍能获得足够的预测精度。基于目标检测算法的 YOLOv5 算法的分割功能，尽管发展时间不长，却取得了相当成功的成果。