基于改进非极大值抑制的超声心动图检测：提升小儿瓣膜返流与川崎病冠状动脉瘤定位精度新策略

　　本文提出两种轻量级非极大值抑制改进方法（rNMS-P和rNMS-TP），在YOLO系列检测器中融合水平框（HBB）与旋转导向框（OBB），通过类感知约束与冗余控制机制，显著提升小儿瓣膜返流（HR）和川崎病（KD）冠状动脉病变的定位精度（mAP@.5最高提升至86.5%），为可解释、操作者无关的心脏超声评估提供高效解决方案。

　　

Highlight

本研究针对小儿心脏超声中瓣膜返流与川崎病冠状动脉瘤的定位难题，创新性地提出两种修订版非极大值抑制策略：rNMS-P（仅用于推理阶段）和rNMS-TP（用于训练与推理全程）。这些方法在不改变YOLO v5至v9主干网络的前提下，通过类感知约束（每类别保留最高置信度框）和跳过感知机制（允许数据充足的类别保留多检测框），显著提升检测精度与鲁棒性。

Medical background: Valvular regurgitation and Kawasaki disease

医学背景：瓣膜返流与川崎病

本研究数据集包含瓣膜返流（可导致先天性心脏病）和川崎病（儿童获得性心脏病主因）患者。因其临床重要性，下文将概述这两种疾病的病理生理学、诊断标准及其与本研究的关联。

Method

方法

本节概述了核心实验设计：首先描述医疗数据的来源与脱敏处理；其次详述修订版非极大值抑制策略、使用的目标检测算法以及面向旋转边界框（OBB）的检测技术。

Results

结果

本节分为瓣膜返流（HR）与川崎病（KD）检测两大任务。针对各任务，我们首先对比基线检测器与提出策略的性能，进而通过分析验证有效性。最后通过综合对比HR与KD结果，提炼关键实践洞察。

为确保模型与交叉验证结果可比性，我们采用统一训练协议。除特殊说明外，所有实验均遵循此协议。

Discussion

讨论

尽管深度学习日益应用于医学影像分析，但针对瓣膜返流与川崎病相关冠状动脉异常的目标检测研究仍较少。现有模型多基于听诊信号或二维超声片段进行全局分类，缺乏空间定位信息。当前检测工作（如基于YOLOv7的瓣膜返流检测和基于Scaled-YOLOv4-HarDNet的KD框架）仍存在局限性……

Conclusion

结论

本研究提出一种面向超声心动图分析的增强型目标检测框架。既往研究多依赖水平边界框（HBB）定位病变，而本研究通过引入旋转边界框（OBB）更好地捕捉冠状动脉病变的形态特征。具体而言，瓣膜返流检测保留HBB（因病变方向相对一致），而川崎病冠状动脉瘤检测采用OBB以提升形态学表征能力。