基于YOLOV3的肺結(jié)節(jié)檢測方法研究

黃冕 劉順有 楊林海

摘??要：在傳統(tǒng)的CT圖像肺結(jié)節(jié)檢測方法中，檢測率和定位精度低并且處理速度慢耗費(fèi)時(shí)間長，又因?yàn)樵诜尾繄D像中存在結(jié)構(gòu)復(fù)雜、肺結(jié)節(jié)過小、肺結(jié)節(jié)病理特征各異，所以檢測結(jié)果假陽性高、存在敏感度低。針對這些問題，該文提出多尺度特征金字塔密集網(wǎng)絡(luò)，重點(diǎn)優(yōu)化了肺部結(jié)節(jié)目標(biāo)過小、位置復(fù)雜、特征各異以及容易誤診等問題。針對在肺結(jié)節(jié)檢測中肺結(jié)節(jié)目標(biāo)比較小容易帶來位置誤差，設(shè)計(jì)了相應(yīng)的損失函數(shù)。通過減少位置誤差帶來的影響同時(shí)保證得到有效的損失函數(shù)傳遞，從而提高肺結(jié)節(jié)位置的定位精度。在LIDC-IDRI數(shù)據(jù)集上該文方法的查準(zhǔn)率、查全率和準(zhǔn)確率分別為99.57%、95.69%、98.6%，相較于傳統(tǒng)的檢測方法有明顯提升。

關(guān)鍵詞?CT圖像??肺結(jié)節(jié)檢測??Yolo算法??目標(biāo)識別

中圖分類號：TP391???????????文獻(xiàn)標(biāo)識碼：A???????????文章編號：1672-3791（2022）07（b）-0000-00

Lung?Nodule?Detection?of?CT?image?Based?on?Yolo?V3

HUANG?Mian???LIU?Shunyou*???YANG?Linhai

（Information?Center?of?Vocational?College?of?Land?Resource，?Kunming，?Yunnan?Province，650091?China）

Abstract：In?the?CT?images?of?traditional?detection?methods?for?pulmonary?nodules，?the?detection?rate?and?positioning?accuracy?are?low，?with?slow?processing?speed?and?long?time，?which?also?has?the?problems?of?complex?structure，?too?small?pulmonary?nodules，?different?pathological?characteristics?in?pulmonary?nodules?and?so?on?in?the?lung?images.?For?these?problems，?a?lung?detection?network?based?on?yolov3?was?proposed?in?this?study，?which?focused?on?the?optimization?of?lung?nodules?with?too?small?target，?complex?location，?different?characteristics，?easy?misdiagnosis?and?other?problems.?compared?with?traditional?detection?methods，?the?accuracy，?recall?and?precision?on?the?LIDC-IDRI?dataset?were?99.57%，?95.69%?98.6%，?respectively.

Key?Words：CT?Image;?Lung?nodule?detection;?Yolo;?Target?Recognition

在全世界范圍內(nèi)，肺癌嚴(yán)重威脅人類的身體健康，在肺癌早期病灶判定的重要依據(jù)是肺結(jié)節(jié)。如果能提出高檢測率的肺結(jié)節(jié)檢測方法，可以提高肺癌患者的生存率，這對肺癌治療有著重大的意義。在近年來的計(jì)算機(jī)輔助檢測肺結(jié)節(jié)中，苗光等人[1]針對現(xiàn)有方法在大量肺部數(shù)據(jù)中存在的檢測肺結(jié)節(jié)效率不高及大量假陽性的問題，提出了一種基于端到端的二維全卷積對象定位網(wǎng)絡(luò)（2DFCN）與三維立體式目標(biāo)分類卷積神經(jīng)網(wǎng)絡(luò)（3DCNN）相結(jié)合的肺結(jié)節(jié)檢測方法。ZHU???W等人[2]提出?的三維卷積檢測模型，減少了結(jié)節(jié)假陽性問題。但是模型采用傳統(tǒng)的網(wǎng)絡(luò)提取特征，導(dǎo)致檢測準(zhǔn)度較低。侍新等人[3]提出模糊建模思想和迭代相對模糊連接度算法的自動(dòng)解剖識別算法，獲取位置敏感特征圖表達(dá)肺結(jié)節(jié)的位置信息。MEI??S等人[4]提出了基于yolov4改進(jìn)的肺結(jié)節(jié)檢測方法。張福玲[5]等人提出了融合注意力機(jī)制和特征金字塔網(wǎng)絡(luò)的CT圖像肺結(jié)節(jié)檢測。孫華聰?shù)热薣6]提出了3D多尺度深度卷積神經(jīng)網(wǎng)絡(luò)肺結(jié)節(jié)檢測。研究人員主要通過機(jī)器學(xué)習(xí)進(jìn)行肺結(jié)節(jié)的檢測。在上述肺結(jié)節(jié)檢測研究現(xiàn)狀中主要存在的問題有：（1）在背景結(jié)構(gòu)復(fù)雜的肺結(jié)節(jié)環(huán)境下，提取的特征不顯著，定位效果差。（2）對尺寸較小肺結(jié)節(jié)檢測假陽性高、存在敏感度低等問題。（3）對肺結(jié)節(jié)檢測速度較慢，耗時(shí)高。

1本文方法

1.1?yolo網(wǎng)絡(luò)結(jié)構(gòu)

在肺結(jié)節(jié)的識別過程中，由于識別目標(biāo)的特性，導(dǎo)致很多位置特征模糊，從而導(dǎo)致特征信息不準(zhǔn)確。為了加強(qiáng)位置信息的特征提取，使網(wǎng)絡(luò)在復(fù)雜圖像中依舊有好的準(zhǔn)確率。該文使用的YOLO網(wǎng)絡(luò)是基于Darknet-53網(wǎng)絡(luò)，Darknet-53網(wǎng)絡(luò)結(jié)構(gòu)如表1所示。

Darknet-53網(wǎng)絡(luò)比YOLOv2中的Darknet-19網(wǎng)絡(luò)性能更強(qiáng)，比ResNet-101網(wǎng)絡(luò)快1.5倍比ResNet-152網(wǎng)絡(luò)快2倍，

1.2邊界框預(yù)測

我們網(wǎng)絡(luò)的對邊界框的預(yù)測與yolov2相同只會(huì)預(yù)測每個(gè)邊界框（bounding?boxes）的、、、4個(gè)偏移量值。并把從每張圖片左上角的偏移量設(shè)為?、每個(gè)單元格都為1，和為錨框（anchor?boxes）的長和寬，已經(jīng)通過聚類設(shè)置好先驗(yàn)值。那么邊界框中心點(diǎn)的坐標(biāo)、和邊界框的長和寬、都可以計(jì)算出來，如公式（1）所示，邊界框中心點(diǎn)的X坐標(biāo)等于對偏移量歸一化后加上。如公式（2）所示中心點(diǎn)的Y坐標(biāo)等于對偏移量歸一化后加上。邊界框的長和寬、的計(jì)算如公式（3）（4）所示。

該文方法訓(xùn)練階段采用均方誤差進(jìn)行計(jì)算，可以把檢查問題轉(zhuǎn)化為分類問題。設(shè)真實(shí)值（ground?truth）為，那梯度為。這樣可以使整個(gè)網(wǎng)絡(luò)更加容易學(xué)習(xí)。

2分析與討論

該文方法根據(jù)不同肺結(jié)節(jié)大小得到平均準(zhǔn)確率高達(dá)99.57%，證明其檢出準(zhǔn)確率可以相信;結(jié)節(jié)平均查全率達(dá)到了95.69%，對于當(dāng)前研究有顯著提高。同時(shí)注意到，對于≤6?mm的微小結(jié)節(jié)其檢出率仍然未達(dá)到90%以上，而對>12?mm的結(jié)節(jié)其平均檢出率已達(dá)到99%以上，因此后續(xù)可繼續(xù)針對微小結(jié)節(jié)的檢測進(jìn)行改進(jìn)。

該文提出的方法的查全率高于其他的CAD系統(tǒng)，同時(shí)僅微小結(jié)節(jié)的查全率（89.06%）也已達(dá)到部分其他CAD系統(tǒng)的查全率，這對于微小結(jié)節(jié)的計(jì)算機(jī)輔助診斷也是較大的提升。該文方法在查全率與查準(zhǔn)率均領(lǐng)先的性能條件下的檢測速度與現(xiàn)有方法R=CNN和Faster?R-CNN的檢測速度以每秒識別幀數(shù)（f/s）衡量。從每秒識別幀數(shù)看出，該文提出的改進(jìn)的YOLO算法檢測速度遠(yuǎn)大于其余兩種方法，較R-CNN提高了63倍，較Faster?R-CNN提高了5倍以上，極大地提高了肺結(jié)節(jié)的檢出效率，基本滿足了肺部CT圖像實(shí)時(shí)檢測的條件。

3?結(jié)語

針對圖像肺結(jié)節(jié)檢測中，檢測率和定位精度低并且處理速度，肺部圖像中存在結(jié)構(gòu)復(fù)雜、肺結(jié)節(jié)過小、肺結(jié)節(jié)病理特征各異等問題，該文改善了YOLO算法對小目標(biāo)識別難度大精度差的問題，有效提高了計(jì)算機(jī)輔助肺結(jié)節(jié)檢測的精確性，極大地提高了檢測效率。實(shí)驗(yàn)證明，該文方法可以有效對肺結(jié)節(jié)進(jìn)行檢測，對比現(xiàn)階段其他方法在各項(xiàng)評價(jià)指標(biāo)都有明顯提高，可以高效輔助醫(yī)師進(jìn)行肺部結(jié)節(jié)的甄別篩查工作，減小了醫(yī)師的工作難度，并為肺部CT圖像肺結(jié)節(jié)實(shí)時(shí)檢測提供了條件。

參考文獻(xiàn)

[1] 苗光，李朝鋒.二維和三維卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合的CT圖像肺結(jié)節(jié)檢測方法[J].激光與光電子學(xué)進(jìn)展，2018，55（5）：135-143.

[2] ZHU?W，LIU?C，WEI?F，et?al.DeepLung：Deep?3D?Dual?Path?Nets?for?Automated?Pulmonary?Nodule?Detection?and?Classification[C]//?2018?IEEE?Winter?Conference?on?Applications?of?Computer?Vision?（WACV）.2018：673-681.

[3] 侍新，謝世朋，李海波.基于卷積神經(jīng)網(wǎng)絡(luò)檢測肺結(jié)節(jié)[J].中國醫(yī)學(xué)影像技術(shù)，2018，?34（6）：934-939.

[4] MEI??S，?JIANG?H，MA?L.?"YOLO-lung：?A?Practical?Detector?Based?on?Imporved?YOLOv4?for?Pulmonary?Nodule?Detection"[C]//?2021?14th?International?Congress?on?Image?and?Signal?Processing，?BioMedical?Engineering?and?Informatics?（CISP-BMEI）.2021：?1-6.

[5] 張福玲，張少敏，支力佳，等.融合注意力機(jī)制和特征金字塔網(wǎng)絡(luò)的CT圖像肺結(jié)節(jié)檢測[J].中國圖象圖形學(xué)報(bào)，2021，26（9）：2156-2170.

[6] 孫華聰，彭延軍，郭燕飛，等.3D多尺度深度卷積神經(jīng)網(wǎng)絡(luò)肺結(jié)節(jié)檢測[J].中國圖象圖形學(xué)報(bào)，2021，26（7）：1716-1725.