一、基础必问

**你的毕业论文研究背景和意义是什么？**要点：骨折筛查量大、医生疲劳、漏诊 / 误诊；AI 辅助诊断提高效率、基层普及。
**为什么选这个课题？你个人做了哪些工作？**要点：结合医疗 AI 热点、临床需求；你负责：选题、方案、数据集、模型训练、实验、写论文。
**目前进展到哪一步了？遇到什么困难？怎么解决的？**你现在：完成选题、方案设计。可以说：数据集获取、数据标注、类别不平衡、小目标检测难、过拟合等。

“您问的这个方法是伪标签（Pseudo Labeling），也是我毕设里计划采用的核心半监督策略。具体来说，我会先用少量标注好的骨折影像，训练出一个基础的 YOLOv11 模型，之后用这个模型去预测大量无标注的骨折 X 光片，筛选出置信度高于 0.85 的检测结果，将其作为‘伪标签’，再把这些带伪标签的数据和真实标注数据混合，重新训练 YOLOv11，反复迭代优化。这样做既能充分利用医院里大量未标注的影像资源，又能避免低置信度的错误标签干扰模型训练，刚好解决医疗影像标注成本高的痛点，同时也能进一步提升 YOLOv11 对细小、不规则骨折病灶的检测精度，贴合我毕设的核心需求。”

二、算法与模型

**为什么用 YOLO，不用 Faster R-CNN、SSD？**一阶段 vs 二阶段：

- YOLO：速度快、端到端、适合实时筛查
- Faster R-CNN：精度高但慢医疗筛查要快 + 准，所以选 YOLO。

**为什么用 YOLOv11，而不是 v5/v8/v10？**你可以背：

- 轻量化更好，模型更小，便于部署
- 小目标检测能力更强
- 骨干网络、Neck、损失函数有优化刚好匹配骨折细小、不规则的特点。

**YOLO 的核心原理是什么？**简单说：把图片分成网格，每个网格预测目标框 + 类别，一次性输出，速度快。
**你用的损失函数是什么？**答：分类损失、回归损失（CIoU/DIoU）、目标置信度损失。

\1. 分类损失（BCEWithLogitsLoss）：相当于让模型学会“判断”——检测框里的东西，到底是“骨折的地方”还是“正常的骨头”，不能把正常的骨纹理认错成骨折，也不能漏判真正的骨折点，就像帮模型分清“好骨头”和“坏骨头”。

\2. 回归损失（CIoU Loss）：相当于让模型学会“瞄准”——找到骨折的地方后，把检测框精准框在骨折点上，尤其是细小的裂纹骨折，不能框偏、框大或框小，确保能准确圈出骨折的具体位置。

\3. 目标性损失（BCEWithLogitsLoss）：相当于让模型学会“筛选”——先判断这个检测框里“有没有骨折”，如果没有，就直接忽略，不用浪费精力去分析，只专注于那些可能有骨折的区域，提高检测的效率。

简单总结就是：分类损失判“是什么”，回归损失判“在哪里”，目标性损失判“有没有”，三者配合，让模型能精准、高效地找到X光片里的骨折。

三、数据与实验

**数据集从哪来？有多少数据？**可以说：公开数据集 + 合作医院数据（没有就说公开）；数量：几百～几千张都可以，合理就行。
**数据怎么预处理？有没有数据增强？**旋转、翻转、裁剪、亮度、对比度、高斯噪声等，防止过拟合。
**评价指标用什么？为什么？**医疗检测必说：

- Precision、Recall、mAP@0.5医疗更看重召回率（不漏诊）。

先说下模型的评价指标，结合我毕设的骨折检测场景，医疗上最看重的是召回率（Recall），也就是“不漏诊”——哪怕多判几个疑似骨折（允许少量误判），也不能漏掉一个真正的骨折患者。

简单说下三个关键指标，都用大白话讲：

**召回率（Recall）—— 核心是 “不漏诊”**先数清楚：医院里总共 100 张真的有骨折的 X 光片（这是 “真实阳性”），我的模型最终检测出了 95 张（这是 “模型判对的骨折”）。计算就是：召回率 = 模型找出来的真骨折数 ÷ 所有真实的骨折数 = 95÷100=95%。这个数越高，说明漏诊的越少，这也是医疗场景最看重的，哪怕多判几个，也不能漏。
**精确率（Precision）—— 核心是 “不误诊”**还是举例：模型一共判了 100 张 “有骨折”，但其中只有 80 张是真的骨折（剩下 20 张是正常骨头误判）。计算就是：精确率 = 模型判对的骨折数 ÷ 模型所有判 “有骨折” 的数量 = 80÷100=80%。这个数高，说明误诊的少，但医疗上我会优先保召回率，哪怕精确率稍降一点。
**mAP@0.5——“整体表现分”**不用记复杂公式，通俗说就是：第一步，先定个 “及格线” 0.5—— 模型框出的骨折位置，和医生标注的位置重合度≥50%，就算 “判对了”；第二步，把不同召回率下的精确率都算出来，画成一条曲线，曲线下面的面积就是 AP；第三步，因为我只检测 “骨折” 这一个类别，mAP（平均精度）就等于这个 AP 值；如果有多个类别，就把每个类别的 AP 加起来求平均。简单说，mAP@0.5 越高，模型整体检测能力越好。

四、工程与创新

你的创新点在哪？：

- 把 YOLOv11 用在骨折 X 光 / CT 检测
- 针对小目标、不规则病灶做优化（数据 / 模型）
- 轻量化，适合移动端 / 边缘设备部署

未来怎么继续改进？

- 扩大数据集
- 做模型轻量化、部署
- 结合分割、关键点定位
- 多模态（X 光 + CT）