企业官网建设流程全解析

086、医疗影像病灶检测：YOLO 在 X 光、CT 切片上的小样本与正负样本不均衡方案

一、从一次“假阳性爆炸”的调试说起

去年秋天，我接手一个肺结节检测项目，数据来自三家医院的胸部X光片，总共才1200张，其中标注了结节的只有340张。第一版YOLOv8训练完，mAP@0.5勉强到0.38，但推理时一张正常胸片能框出七八个“结节”——全是假阳性。我盯着那些框，心里骂了一句：这模型把肋骨交叉、血管断面、甚至锁骨阴影全当成了病灶。

后来复盘，问题出在两个地方：一是正样本太少，模型根本没见过足够多的真实结节形态；二是负样本（正常区域）在训练时被“淹没”了，因为一张图里背景像素是病灶区域的几百倍，模型学到的几乎全是“如何检测背景”。这不是YOLO的错，是医疗影像的天然困境——病灶往往稀疏、微小、形态多变，而正常组织却千篇一律地“正常”。

二、小样本困境：别让模型“死记硬背”那几张图

2.1 数据增强要“狠”但别“乱”

医疗影像增强和自然图像不一样。你不能随便翻转——左右肺不对称，翻转后解剖结构就错了。我踩过的坑是直接用了YOLO默认的mosaic增强，结果CT切片里肺纹理被拼得乱七八糟，模型学了一堆伪影。

我的做法：针对X光和CT，保留解剖方向，只做“生理合理”的增强。