腹壁疝是腹部手术常见并发症[1]，无法自愈只能通过补片植入手术进行治疗[2]，中国疝病患者人数每年可达300万～500万，75岁以上老年男性的发病率可高达44%，高于任何一种恶性肿瘤. 目前临床上所植入的补片多为重量型补片，复发率高且容易带来慢性疼痛；轻量型补片网孔稀疏，质地轻盈，腹壁顺应性强[3]，正逐渐取代传统重量型补片. 但作为植入的异物，轻量型补片依旧会产生移位、皱缩，甚至疝复发等一系列并发症[4-5]. 因此，需要医生对植入补片重新检测与评估，以确定与补片相关的并发症并指导手术与治疗.

传统计算机断层成像(Computer Tomography，CT)、磁共振成像（Magnetic Resonance Imaging，MRI）等三维成像方式存在辐射危害或禁忌症，且无法对轻量型补片成像，手持超声(Hand-held Ultrasound，HHUS)虽然能成像轻量型补片，但效果不佳. 这导致术后检测只能进行侵入性的二次探查手术，大大增加了病人的痛苦和费用负担. 自动三维乳腺超声(Automated 3D Breast Ultrasound，ABUS)[6]克服传统超声的缺点，不仅成功用于乳腺肿瘤检测，同时对腹壁疝轻量型补片的检查也十分有效. 但ABUS对病例检查后所产生的数据量极为庞大，医生每天需要检测成百上千张的补片成像结果，人工阅片及其耗时费力，且容易出现漏诊或误诊；据统计，医师查阅医学影像产生的误诊率高达10%～30%.

为了减少检查时间并提高准确率，已经提出了几种计算机辅助检测(Computer-aided Diagnosis，CADe)系统来帮助检查和形成对ABUS图像的更精确的检测和诊断. 理论上，应用于ABUS肿瘤图像检测研究对于补片检测有一定参考价值. Ikedo等[7]开发了一种基于Canny边缘检测器检测边缘的全自动检测方法，利用分水岭变换对定位位置进行检测，生成候选肿瘤区域. Chang等[8]提出一种用于多通道自动乳腺超声乳房病变检测的CADe系统，先对图像进行预处理，然后采用灰度切片的方法对候选肿瘤进行检测，最后，提取了7个用于区分肿瘤和非肿瘤的量化特征. Tan等[9]提出一种多阶段CADe系统，包括乳房、乳头和胸壁的检测，然后提取体素特征，并使用神经网络分类器集成来区分肿瘤和非肿瘤. Moon等[10]提出了一种基于多尺度斑点检测的方法，利用模糊、内部回声和形态学特征对斑点进行分类，减少了阳性斑点的数量. Lo等[11]提出应用分水岭变换得到均匀区域，并利用LR分类器得到二维和三维纹理、强度和形态学特征估计候选肿瘤的概率. 然而，这些方法都存在以下缺点：①候选区域方案都是针对肿瘤图像，对于补片图像检测效果不好；②手工特征的选择需要专门的领域知识，不方便且可能不是最优的；③这些方法在临床试验中的检测率和执行时间都相对不足.

随着深度学习理论的飞速发展，针对上述问题以及ABUS补片图像特点，本文提出了一种改进的YOLOv3卷积神经网络检测算法. 实现对ABUS超声中补片的自动检测，利用对补片超声图像进行检测后得到的检测框来获取补片大小、皱缩情况等超声参数，以辅助医生进行补片的术后检查.