基于YOLO神经网络构建耳穴特征点辅助检测的人工智能辅助系统

作     者：王甘红 张子豪 夏开建 周燕婷 奚美娟 陈健 

作者机构：常熟市中医院消化内科 上海豪兄教育科技有限公司 常熟市医学人工智能与大数据重点实验室 常熟市第一人民医院消化内科 

出 版 物：《中国针灸》 (Chinese Acupuncture & Moxibustion)

年 卷 期：2025年

核心收录：

学科分类：12[管理学] 1005[医学-中医学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 100512[医学-针灸推拿学] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 10[医学] 

基　　金：常熟市医学人工智能与大数据重点实验室能力提升项目:CYZ202301 常熟市医药卫生科技计划项目:CSWS202316 苏州卫生信息与健康医疗大数据学会项目:SZMIA202402 常熟市科技计划(社会发展)项目:CS202452 苏州市应用基础研究(医疗卫生)科技创新项目:SYWD2024059 

主　　题：耳穴 深度学习 关键点检测 YOLO 人工智能 

摘      要：目的:基于YOLOv8神经网络开发用于21个常用耳穴特征点自动检测的人工智能辅助系统。方法:收集2018年6月至2024年2月来自3个中心的人体耳部图像数据，共计660张。使用LabelMe5.3.1图形标注工具进行了图像的矩形框和特征点标注，并转换为YOLO模型兼容的格式。利用这些数据，进行不同规模YOLO神经网络预训练模型的迁移学习和微调训练。模型的性能在验证集和测试集上进行评估，包括不同阈值下的平均精度（mAP）、召回率（Recall）、推理速度（FPS）、精确率-召回率曲线（PR曲线）、混淆矩阵等。最后，将模型部署于本地计算机，并通过摄像头对人体耳部图像进行实时检测。结果:本研究开发了5种不同版本的YOLOv8关键点检测模型，包括YOLOv8n、YOLOv8s、YOLOv8m、YOLOv8l、YOLOv8x。在验证集上，YOLOv8n在速度（225.736帧/s）和精确率（0.998）上均表现最佳。在外部测试集，YOLOv8n识别耳部的准确率为0.991、敏感性为1.0、F1分数为0.995。耳穴特征点定位性能结果显示，50%交并比阈值下的平均精度(mAP50)为0.990，精确率为0.995，召回率为0.997。结论:基于YOLOv8n构建的21个常用耳穴关键点检测模型具有良好的预测性能，能够自动快速地对耳穴进行定位和分类。