基于YOLOV3的肺结节检测方法研究
来源:用户上传
作者:黄冕 刘顺有 杨林海
摘要:在传统的CT图像肺结节检测方法中,检测率和定位精度低并且处理速度慢耗费时间长,又因为在肺部图像中存在结构复杂、肺结节过小、肺结节病理特征各异,所以检测结果假阳性高、存在敏感度低。针对这些问题,该文提出多尺度特征金字塔密集网络,重点优化了肺部结节目标过小、位置复杂、特征各异以及容易误诊等问题。针对在肺结节检测中肺结节目标比较小容易带来位置误差,设计了相应的损失函数。通过减少位置误差带来的影响同时保证得到有效的损失函数传递,从而提高肺结节位置的定位精度。在LIDC-IDRI数据集上该文方法的查准率、查全率和准确率分别为99.57%、95.69%、98.6%,相较于传统的检测方法有明显提升。
关键词CT图像肺结节检测Yolo算法目标识别
中图分类号:TP391文献标识码:A文章编号:1672-3791(2022)07(b)-0000-00
LungNoduleDetectionofCTimageBasedonYoloV3 (InformationCenterofVocationalCollegeofLandResource,Kunming,YunnanProvince,650091China)
Abstract:IntheCTimagesoftraditionaldetectionmethodsforpulmonarynodules,thedetectionrateandpositioningaccuracyarelow,withslowprocessingspeedandlongtime,whichalsohastheproblemsofcomplexstructure,toosmallpulmonarynodules,differentpathologicalcharacteristicsinpulmonarynodulesandsooninthelungimages.Fortheseproblems,alungdetectionnetworkbasedonyolov3wasproposedinthisstudy,whichfocusedontheoptimizationoflungnoduleswithtoosmalltarget,complexlocation,differentcharacteristics,easymisdiagnosisandotherproblems.comparedwithtraditionaldetectionmethods,theaccuracy,recallandprecisionontheLIDC-IDRIdatasetwere99.57%,95.69%98.6%,respectively.
KeyWords:CTImage;Lungnoduledetection;Yolo;TargetRecognition
在全世界范围内,肺癌严重威胁人类的身体健康,在肺癌早期病灶判定的重要依据是肺结节。如果能提出高检测率的肺结节检测方法,可以提高肺癌患者的生存率,这对肺癌治疗有着重大的意义。在近年来的计算机辅助检测肺结节中,苗光等人[1]针对现有方法在大量肺部数据中存在的检测肺结节效率不高及大量假阳性的问题,提出了一种基于端到端的二维全卷积对象定位网络(2DFCN)与三维立体式目标分类卷积神经网络(3DCNN)相结合的肺结节检测方法。ZHUW等人[2]提出的三维卷积检测模型,减少了结节假阳性问题。但是模型采用传统的W络提取特征,导致检测准度较低。侍新等人[3]提出模糊建模思想和迭代相对模糊连接度算法的自动解剖识别算法,获取位置敏感特征图表达肺结节的位置信息。MEIS等人[4]提出了基于yolov4改进的肺结节检测方法。张福玲[5]等人提出了融合注意力机制和特征金字塔网络的CT图像肺结节检测。孙华聪等人[6]提出了3D多尺度深度卷积神经网络肺结节检测。研究人员主要通过机器学习进行肺结节的检测。在上述肺结节检测研究现状中主要存在的问题有:(1)在背景结构复杂的肺结节环境下,提取的特征不显著,定位效果差。(2)对尺寸较小肺结节检测假阳性高、存在敏感度低等问题。(3)对肺结节检测速度较慢,耗时高。
nlc202207151806
转载注明来源:https://www.xzbu.com/8/view-15436075.htm