Automatic field-of-view planning for magnetic resonance shoulder imaging using Deep Learning.

在 575 筆多中心數據驗證下，基於 YOLOv11 的模型成功突破了肩部 MRI 斜面視場自動規劃瓶頸。最新研究指出，該系統的臨床實用性高達 97.2%，不僅大幅消弭手動設定誤差，整體效能更已達到媲美人類專家的卓越水準。

克服肩部 MRI 影像斜面視場的手動設定變異

核磁共振造影（MRI）是解析肩部複雜軟組織病變的關鍵技術，但要擷取到具備高度診斷價值的影像，精確設定斜冠狀（oblique coronal）與斜矢狀（oblique sagittal）的視場（FOV，決定影像擷取範圍的空間參數）是不可或缺的基礎步驟。由於肩關節包含旋轉肌袖等結構，其走向並非平行於人體的標準正交軸，因此必須透過特定傾斜角度的切面才能完整呈現組織狀態。

在目前的臨床實務中，這項高精密度的幾何設定工作依然高度仰賴放射師的手動規劃。放射師必須在初步掃描的定位影像上，憑藉自身的解剖學知識與經驗，手動拉曳並旋轉掃描框線。

這種完全依賴人工的作業模式不僅大幅拉長了每位患者的掃描前置時間，更深陷於操作者個人經驗的影響。不同的放射師之間，甚至同一位放射師在不同時段，都極易因為疲勞或主觀判斷差異而產生操作上的變異。

這種缺乏標準化的流程，無可避免地導致最終產出的影像品質出現波動，有時更會發生關鍵解剖結構未被完全覆蓋的失誤。儘管深度學習（DL，透過多層神經網路學習資料特徵的技術）近年在非斜面的自動掃描規劃上已取得突破，但針對肩部這類需要複雜空間旋轉的部位，自動化解決方案的發展依然相對遲緩。

導入 YOLOv11 與具方向性邊界框的兩階段架構

為了解決斜面視場設定所需的複雜幾何運算問題，研究團隊建構了一套嶄新的兩階段深度學習處理流程。在這套架構的核心，研究人員部署了最新世代的 YOLOv11 物件偵測演算法，並特別選用了支援具方向性邊界框（OBB，能偵測任意旋轉角度物件的邊界框技術）的特殊變體模型。

傳統物件偵測模型輸出的水平邊界框只能平行於影像邊緣，完全無法精確標定肩關節傾斜的解剖結構，也無法提供掃描儀所需的角度參數。OBB 技術的導入，使得模型能夠輸出帶有精確旋轉角度的二維預測框，完美契合了斜冠狀與斜矢狀視場的幾何需求。

為了尋求運算效能與預測精度的最佳平衡，團隊在實驗中全面測試了五種不同參數量級的 YOLOv11-OBB 變體模型，涵蓋極小型（n）、小型（s）、中型（m）、大型（l）以及超大型（x）架構。

這套系統的運作流程被拆分為兩個連續的階段。第一階段專注於切片選擇（slice selection），模型必須從三維定位影像的多個切片中，精確挑選出最適合做為幾何參考基準的單一切片。第二階段則在選定的切片上執行視場設定（FOV prescription），自動運算出包含中心點座標、尺寸以及傾斜角度的最終參數，徹底取代人工拉曳的繁瑣動作。

整合四大醫療站點 575 筆檢查的多中心驗證

在評估醫學影像 AI 模型的可靠性時，「泛化能力」始終是最嚴苛的考驗。在單一醫療機構內表現優異的模型，往往在面對不同廠牌的掃描儀器或不同的參數設定時，效能會出現斷崖式的衰退。

為了確保這套基於 YOLOv11 的自動規劃系統具備對抗環境變異的穩健性，研究團隊特別設計了一項規模龐大的回顧性多中心研究。這項計畫整合了自 2019 年至 2025 年間，來自四個各自獨立運作的醫療機構（站點 A、B、C、D）的資料，總計包含了 575 筆完整的肩部 MRI 檢查數據。

在資料集的策略性分配上，研究團隊將累積資料量較大的站點 A（151 筆）與站點 B（220 筆）設定為模型訓練與參數微調的基礎，讓演算法能在這 371 筆資料中學習解剖特徵與標準幾何之間的隱含對應關係。

為了進行最嚴格的效能驗證，站點 C（61 筆）與站點 D（143 筆）的數據被完全隔離，僅在最終測試階段作為獨立的未知資料輸入模型。這種跨越不同機構的訓練與隔離設計，能最真實地反映出演算法是否過度擬合於特定醫院的內部特徵，是評估該技術能否實際大規模部署的關鍵指標。

MASD 誤差僅 1 切片與 97.2% 臨床實用性

為全面解析模型的幾何預測能力，團隊導入了多項嚴謹的量化指標，包含評估位置精度的平均絕對切片差異（MASD）、衡量空間重疊程度的交併比（IoU，預測框與真實框重疊面積的比例）以及計算旋轉偏差的平均絕對角度差異（MAAD）。

數據分析結果顯示，在五種規模的候選模型中，參數量次高的 YOLOv11-OBB-l（大型模型）在第一階段的切片選擇任務上展現了最佳表現。其 MASD 達到了 1.016±0.153 個切片的極低誤差水準，意味著 AI 系統挑選的基準切片位置，與人類資深專家的選擇幾乎只有一個切片厚度的差距。

在運算難度大幅提升的第二階段視場幾何設定中，具備最強特徵萃取能力的 YOLOv11-OBB-x（超大型模型）取得了壓倒性的勝利。該模型在冠狀面的 IoU 達到 0.847±0.003，矢狀面 IoU 達到 0.852±0.007，而視場傾斜角度的平均誤差更精準控制在 3.259±0.190 度的狹窄範圍內。

當這套系統投入跨站點的獨立測試階段時，其表現展現出極高的穩定性。測試各站點的 MASD 均維持在 0.700 至 1.192 個切片之間，MAAD 分布於 2.811 至 4.396 度之間。更具指標意義的是，經過三位獨立評分員的嚴格盲測評估，這套全自動化系統產出的設定結果，其平均臨床實用性達到了驚人的 97.2%。

突破 AI 視場規劃極限並實現工作流程標準化

這項多中心研究的具體成果，有力地證明了新一代基於深度學習的具方向性物件偵測技術，不僅能在工業檢測或自動駕駛中發揮作用，更能精準解析人體內部複雜的斜面空間幾何架構。

將最新版本的 YOLOv11 結合 OBB 技術並成功應用於空間視場規劃，實質上填補了過去自動化掃描系統在處理複雜旋轉斜面時的技術斷層。這意味著演算法已經跨越了只能處理簡單水平正交平面的門檻，正式具備了處理高階幾何定位的能力。

量化評估數據明確揭示了一個事實：模型在所有空間指標與跨機構測試站點上的整體表現，均已達到「不劣於」人類放射師操作變異度的高標準。將高度依賴經驗的設定工作交由演算法接管，不僅不會損害影像品質，反而能以運算的絕對客觀性，提供更一致、更具重現性的結果。

透過導入這套全自動化的幾何計算流程，各層級的醫療機構將能從根本上消除操作者依賴的瓶頸，建立起高度標準化的設定規範。這項技術的驗證與成熟，預期將大幅縮短掃描的前置時間，並為未來將自動化規劃擴展至其他複雜解剖部位奠定堅實的基石。

YOLOv11-OBB 成功克服斜面幾何挑戰，消弭人為變異，為全自動掃描奠定技術基石。