《Frontiers in Radiology》：YOLO11-based detection of manometry sensors in video-fluoroscopy imaging for computer-aided multimodal assessment of swallowing
编辑推荐：
为解决头颈癌患者吞咽功能障碍精准评估难题，本研究提出一种基于YOLO11深度学习的检测方法，旨在从视频-荧光成像序列中自动定位高分辨率阻抗测压传感器，实现了平均F1分数达96.6%的准确、鲁棒检测，为计算机辅助HRIM-VFSS融合分析、实现客观的吞咽功能评估迈出了关键一步。
准确评估头颈癌患者治疗后的吞咽功能至关重要，因为高达50%的患者会遭受口咽性吞咽困难的困扰，这可能引发营养不良、吸入性肺炎等一系列严重并发症，并显著降低患者生活质量。临床上，评估吞咽困难主要依赖两种技术：一是视频荧光吞咽造影，它能像看“慢动作电影”一样，用造影剂勾勒出吞咽过程的解剖细节，但其解读高度依赖医生的主观经验，一致性欠佳；二是高分辨率阻抗测压，它像一根“智能导管”深入咽部，实时记录压力和阻抗变化，提供定量的生理数据，但它需要手动划定测压区域。这对于治疗后常出现解剖异常、咽部压力降低的头颈癌患者来说，既费时又难以保证准确。尽管将两者结合分析能优势互补，但临床实践中它们仍被分开解读，不仅增加了医生的工作负担，也未能解决在解剖异常情况下精确划定测压区域的根本挑战。
这篇发表在《Frontiers in Radiology》上的研究，正是为了破解这一难题。研究团队的核心思路是：利用深度学习这把“智能尺子”，在荧光造影视频中自动、精确地找到每一枚测压传感器的位置。一旦知道了所有传感器的“空间坐标”，就能将它们与咽部的解剖结构（如鼻咽、口咽、下咽）自动对齐，从而实现测压区域的自动划分，为最终构建一个全自动、计算机辅助的多模态吞咽评估框架奠定基础。
为开展此项研究，研究人员首先获取了8名头颈癌患者同时采集的VFSS和HRIM数据，并手动标注了268帧图像中所有可见的测压传感器作为“标准答案”。他们选择了最新的YOLO11-nano目标检测框架，因为它以高精度和快速处理见长，适合实时应用。模型在训练中采用了“留一患者交叉验证”策略，并使用了丰富的数据增强技术（如随机缩放、亮度/对比度调整、高斯模糊/噪声，以及模拟食团遮挡的“Dropout”技术）来提高模型的泛化能力和对图像质量变化的鲁棒性。研究还采用了改进的EigenCAM（带有动态符号校正的类激活映射）技术来可视化模型关注的区域，以解释其决策过程。
模型训练与性能评估结果
模型在训练过程中损失稳步下降，验证集平均精度（AP@50-95）稳步提升，并在平均86个周期后收敛，表明学习过程稳定。在未经处理的测试帧上，模型达到了95.8%的精确率、97.4%的召回率和96.6%的F1分数，平均精度（AP@50）高达99.1%。处理速度约为每帧43毫秒，支持潜在的实时应用。最重要的是，模型性能在不同患者间变异很小，显示出良好的泛化能力。
在不同噪声和遮挡条件下的鲁棒性结果
为模拟不同辐射剂量和食团遮挡的挑战，研究测试了模型在四种递增的噪声水平（“无”、“轻度”、“中度”、“重度”）和一种模拟遮挡条件（“Dropout”）下的表现。结果显示，即使在“重度”噪声和“精确”定位（5像素阈值）的严苛条件下，模型F1分数仍保持在87.2%。在“Dropout”条件下，模型同样表现出色，能够有效推断出被遮挡区域的传感器位置，证明了其对部分导管遮挡的稳健性。模型在所有条件下的表现均显著优于先前基于模板匹配的方法。
模型注意力可视化结果
通过改进的EigenCAM生成的热图显示，无论图像质量如何，模型的核心注意力始终集中在测压导管区域，并在各个传感器位置呈现明显的局部激活峰值。在“Dropout”条件下，尽管被遮挡区域的激活响应减弱，但沿导管轨迹的注意力连续性得以保持，这解释了模型为何能在遮挡情况下仍能较好地推断传感器序列。
研究结论与重要意义
本研究表明，基于YOLO11的检测器能够在VFSS序列中实现高精度、高鲁棒性的测压传感器定位。这不仅显著优于传统的模板匹配方法，还通过快速的推理速度（约23帧/秒）和强大的抗干扰能力，证明了其临床应用的可行性。这项研究的核心价值在于，它为HRIM和VFSS两种模态数据的自动空间配准提供了关键技术。通过精准定位传感器，未来可以自动化地勾画出与解剖结构对应的测压区域，从而克服头颈癌患者因咽部压力低、解剖异常导致的HRIM分析困难。这标志着向构建一个自动、定量、计算机辅助的多模态吞咽评估系统迈出了关键一步，有望为头颈癌吞咽困难患者提供更快速、客观、精准的诊断和监测工具，最终改善患者的康复和生活质量。
