一、适用条件与对象 适用于各级医院妇产科及超声科，特别针对产后42天至1年内的产妇及老年女性群体的盆底功能筛查。服务对象包括临床医师、康复治疗师及医疗AI研发机构。 二、解决的问题和痛点 （1）解决盆底超声诊断高度依赖医师经验、结构识别一致性差的问题； （2）突破传统测量方法效率低下、量化指标提取困难的瓶颈； （3）缓解基层医院盆底诊疗能力不足的困境。 三、有益效果 （1）为临床提供精准的盆底结构自动识别与量化评估（如肛提肌裂孔面积、膀胱颈移动度），生成客观的AI辅助诊断建议； （2）本数据可提升诊断效率，显著降低漏诊率。 四、外部复用价值 （1）核心算法可集成至超声设备及PACS系统，实现"设备+AI"一体化解决方案； （2）脱敏盆底特征数据库支持多中心科研与算法迭代； （3）标准化的盆底超声影像AI诊断体系可推广至医联体，促进盆底诊疗规范化与优质资源下沉。
一、数据采集 超声探头发射的超声波穿透盆底组织，遇到不同密度的组织界面时反射信号，这些信号被探头接收后转化为电信号，最终生成盆底超声影像图片，清晰呈现盆底肌肉、韧带、子宫、膀胱等结构的形态和位置，收集盆底超声影像相关的结构化特征信息。 核心字段： 盆底超声影像图片：通过URL存储盆底超声影像图片（URL链接已脱敏） 真实分割标签：专家标注的真实分割标签（精确诊断女性盆底功能障碍性疾病） 预测分割标签：模型识别的预测分割标签 盆底特征数据：子宫大小、宫内膜厚度、左卵巢直径、右卵巢直径、膀胱颈移动度、肛提肌裂孔面积、子宫形态与大小、盆底结构（前腔室）、盆底结构（中腔室）、盆底结构（后腔室） 诊断数据：AI辅助诊断建议 辅助字段： 临床建议、随访建议用于人工复核。筛查日期用于数据管理。 二、数据处理 对所有盆底超声影像图片进行标准化预处理：尺寸归一化（统一超声影像图片分辨率）、图像去噪（减少超声影像斑点噪声）、亮度对比度调整（优化超声影像质量）、特征数据向量化处理 目标：提升后续算法模型的鲁棒性和分割精度 三、核心算法规则 (模型构建与训练) （1）模型架构： 采用编码器-解码器结构的卷积神经网络（CNN） 模型公式：P=CNNθ(I) I：预处理后的盆底超声影像图片 CNNθ：卷积神经网络模型参数 P：女性盆底功能障碍性疾病的预测分割标签图 （2）训练策略： 损失函数：结合Dice损失和二元交叉熵损失 优化器：Adam 性能评估指标：平均Dice系数、平均IoU。在训练和验证阶段，使用平均Dice系数和平均IoU作为核心指标，量化模型预测分割标签结果与真实分割标签之间的重叠精度。 （3）多特征融合： 将盆底超声影像特征与临床盆底结构特征（膀胱、卵巢、子宫、肛提肌）融合，输出AI辅助诊断建议。 四、数据应用 （1）临床诊断辅助：自动生成女性盆底功能障碍性疾病分割结果及量化参数，输出AI辅助诊断建议； （2）质量控制：实时监测分割质量（平均Dice≥0.80，平均IoU≥0.70），异常案例自动标记复核； （3）科研价值：脱敏特征数据库支持模型迭代优化，多中心研究数据标准化支持。
| 字段名 | 类型 | 描述 |
|---|---|---|
序号 |
-- | -- |
筛查日期 |
-- | -- |
盆底超声影像图片 |
-- | -- |
真实分割标签 |
-- | -- |
预测分割标签 |
-- | -- |
| fieldName | exampleValue |
|---|---|
| 序号 | 1 |
| 筛查日期 | 2025.9.2 |
| 盆底超声影像图片 | http://www.yunshanghuatuo.com/PelvicFloo |
curl -H "Authorization: Bearer YOUR_API_KEY" \
http://localhost:3001/api/v1/datasets/187951