基于YOLOv4的肝腫瘤檢測算法概論*

毛凱績

北方民族大學計算機科學與工程學院 寧夏 銀川 750021

引言

根據國家癌癥中心的數據顯示，近年來惡性肝腫瘤的發病率大大提高，并且具有較高的致死率。手術切除是治療惡性肝腫瘤的最佳治療方案，醫生需要對腫瘤部位進行精確定位并進行切除，所以對CT圖像中的腫瘤部位進行精確檢測是十分重要的。目前主流檢測方法大多為二階段檢測模型，雖然有著較高的精度但檢測速度較慢，難以滿足實際需要。針對這個問題，本文選擇YOLOv4[1]進行肝腫瘤檢測，實驗結果表明，YOLOv4模型可以達到速度和精度的統一。

1 本文方法

1.1 模型概述

本文提出一種基于YOLOv4的肝腫瘤檢測模型，將包含病灶的CT切片作為模型的輸入，輸出自動標注后的對應切片。YOLOv4中將骨干網絡改為CSPDarknet53，可以在保證CNN學習能力的同時，提高準確性并減少計算量。為了提高對小目標的檢測效果，YOLOv4中使用了改進的SPP和PANet[2]對FPN[3]進行增強，更好的實現了多尺度預測以及上下層特征融合。為了解決目標框重疊的問題，本文使用了soft-NMS[4]替換NMS算法。同時本實驗在現有的網絡模型中進行了細微改動，在卷積層中間加入了BN層（Batch Normalization Layer）和Dropout層。前者可以統一數據分布，加快網絡訓練和收斂速度以及控制梯度消失和梯度爆炸。后者通過丟棄網絡中部分節點，降低模型復雜度，起到防止過擬合的作用。

1.2 數據集和模型評價指標

本文數據集來自3D-IRCADB數據集，該數據集包含10位男性患者和10位女性患者的靜脈期數據，其中三分之二的圖像上包含肝腫瘤。使用mAP（mean Average Precision，平均精確率）作為評價指標，公式如下：

2 實驗結果及分析

本文模型最終mAP為0.865，檢測結果見圖1。從中可以看出，本文模型檢測結果與真實標注基本一致，只有邊緣位置可能存在細微偏差。

3 結束語

本文提出了一個基于YOLOv4的肝臟腫瘤檢測模型，針對算法在重疊框上檢測能力較差的問題，將soft-NMS算法引入其中，降低了模型的漏檢率。模型在3D-IRCADB數據集上進行了實驗，通過檢測結果可知，本文模型可以對肝腫瘤進行快速、準確的檢測。但本文提出的方法仍然具有一定的局限性，首先在進行數據集制作時因格式轉換，CT切片會存在一定失真，影響最終檢測結果；其次本文模型雖然能獲得較好的檢測效果，但也僅局限于在2D切片上進行檢測，未來將會繼續探索更有效的3D檢測方法，使檢測結果更加精準有效。

圖1 檢測結果