EchoDVT 是一个基于超声视频的深静脉血栓辅助诊断项目，主线流程为： 深静脉血栓（Deep Vein Thrombosis，DVT）是一种常见的血管疾病，其最严重的并发症肺栓塞可导致患者猴死。 加压超声检查是当前诊断DVT的首选影像学方法，但其诊断过程高度依赖操作者经验、单例检查耗时较长且不同医生之间的诊断一致性难以保证。 为解决这些问题，本文设计并实现了EchoDVT——一个基于超声视频的深静脉血栓自动检测系统。

超声视频
→ YOLO 首帧血管检测
→ SAM2 + LoRA 视频分割
→ 21 维时序特征提取
→ RF unified 二分类
→ Web 可视化与 PDF 报告

项目当前的目标不是做通用实验平台，而是收敛成一条稳定、可复现、可展示的主线诊断链路。

当前离线评估与 Web 主线统一使用以下配置：

统一模型元信息位于：

results/unified_model/rf_unified.json

当前记录的关键指标为：

• train_accuracy = 94.33%
• val_accuracy = 94.74%

EchoDVT/
├── README.md
├── classify_dvt.py
├── results/
│   └── unified_model/
├── web/
│   ├── app.py
│   ├── services/
│   ├── tabs/
│   ├── utils/
│   └── assets/
├── yolo/
│   ├── inference.py
│   ├── compute_prior_stats.py
│   ├── train_*.py
│   ├── prior_stats.json
│   └── README.md
└── sam2/
    ├── inference_box_prompt_large.py
    ├── inference_lora.py
    ├── train_lora.py
    ├── checkpoints/
    ├── sam2/
    ├── README_EchoDVT.md
    └── README.md

当前主线使用的分割数据位于：

sam2/dataset/
├── train/   # 300 例，全部正常
└── val/     # 76 例，38 正常 + 38 患者

每个 case 通常包含：

• images/
• masks/

其中 mask 的语义约定为：

• 0 = 背景
• 1 = 动脉
• 2 = 静脉

Web 的数据输入页还支持浏览：

test/
├── normal/
└── patient/

这部分主要用于病例浏览和推理，不等同于带稀疏标注的 train / val 分割集。

负责首帧动脉/静脉检测，并在漏检时利用位置先验补全缺失框。

重点：

• 渐进式增强训练
• Speckle 噪声增强
• 先验补全与重叠修正

详见 yolo/README.md。

负责视频分割与训练。

当前主线是：

• SAM2 Large
• LoRA 微调
• 多帧提示 MFP
• 相对位置约束 RPA

V1 的 adaptive-memory 支线已经移除，不属于当前支持实现。

详见：

• sam2/README_EchoDVT.md
• sam2/README.md

负责从语义 mask 序列中提取 21 维时序特征，并使用统一 RF 分类器完成 DVT 判断。

输出核心包括：

• probability
• threshold
• is_dvt
• vcr
• 全量特征字典

负责将整条主线串成可交互界面。

当前 Web 设计原则：

• 固定最优权重
• 固定稳定参数
• 支持单案例完整分析
• 不对外暴露实验性变体切换

详见 web/README.md。

conda activate echodvt
cd /data1/ouyangxinglong/EchoDVT/web
python app.py --server-name 0.0.0.0 --port 18081

浏览器访问：

http://<server-ip>:18081

如果通过 SSH 使用，建议本地转发：

ssh -N -L 7860:127.0.0.1:18081 <user>@<server>

cd yolo
python inference.py \
  --weights runs/detect/runs/detect/dvt_runs/aug_step5_speckle_translate_scale/weights/best.pt \
  --split val \
  --conf 0.1

cd sam2
python inference_lora.py \
  --lora-weights checkpoints/lora_runs/lora_r8_lr0.0003_e25_20260314_153210/lora_best.pt \
  --lora-r 8 \
  --split val \
  --multi-frame-prompt True

python classify_dvt.py --split val

推荐直接使用项目环境：

conda activate echodvt

核心依赖包括：

• torch
• torchvision
• ultralytics
• gradio >= 6.0
• opencv-python
• matplotlib
• scikit-learn
• pandas
• scipy

为了减少重复维护，当前文档分工如下：

• 本文件：项目总览、主线配置、目录与入口
• web/README.md：当前 Web 结构、状态流和使用方式
• yolo/README.md：YOLO 训练与检测设计
• sam2/README_EchoDVT.md：SAM2 定制点与分割主线

如果代码与 README 不一致，应优先以当前代码实现为准，再回补文档。