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
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。ZHU W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網络提取特征,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。MEI S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。
1本文方法
1.1 yolo网络结构
在肺结节的识别过程中,由于识别目标的特性,导致很多位置特征模糊,从而导致特征信息不准确。为了加强位置信息的特征提取,使网络在复杂图像中依旧有好的准确率。该文使用的YOLO网络是基于Darknet-53网络,Darknet-53网络结构如表1所示。
Darknet-53网络比YOLOv2中的Darknet-19网络性能更强,比ResNet-101网络快1.5倍比ResNet-152网络快2倍,
1.2边界框预测
我们网络的对边界框的预测与yolov2相同只会预测每个边界框(bounding boxes)的、、、4个偏移量值。并把从每张图片左上角的偏移量设为 、每个单元格都为1,和为锚框(anchor boxes)的长和宽,已经通过聚类设置好先验值。那么边界框中心点的坐标、和边界框的长和宽、都可以计算出来,如公式(1)所示,边界框中心点的X坐标等于对偏移量归一化后加上。如公式(2)所示中心点的Y坐标等于对偏移量归一化后加上。边界框的长和宽、的计算如公式(3)(4)所示。
该文方法训练阶段采用均方误差进行计算,可以把检查问题转化为分类问题。设真实值(ground truth)为,那梯度为。这样可以使整个网络更加容易学习。
2分析与讨论
该文方法根据不同肺结节大小得到平均准确率高达99.57%,证明其检出准确率可以相信;结节平均查全率达到了95.69%,对于当前研究有显著提高。同时注意到,对于≤6 mm的微小结节其检出率仍然未达到90%以上,而对>12 mm的结节其平均检出率已达到99%以上,因此后续可继续针对微小结节的检测进行改进。
该文提出的方法的查全率高于其他的CAD系统,同时仅微小结节的查全率(89.06%)也已达到部分其他CAD系统的查全率,这对于微小结节的计算机辅助诊断也是较大的提升。该文方法在查全率与查准率均领先的性能条件下的检测速度与现有方法R=CNN和Faster R-CNN的检测速度以每秒识别帧数(f/s)衡量。从每秒识别帧数看出,该文提出的改进的YOLO算法检测速度远大于其余两种方法,较R-CNN提高了63倍,较Faster R-CNN提高了5倍以上,极大地提高了肺结节的检出效率,基本满足了肺部CT图像实时检测的条件。
3 结语
针对图像肺结节检测中,检测率和定位精度低并且处理速度,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等问题,该文改善了YOLO算法对小目标识别难度大精度差的问题,有效提高了计算机辅助肺结节检测的精确性,极大地提高了检测效率。实验证明,该文方法可以有效对肺结节进行检测,对比现阶段其他方法在各项评价指标都有明显提高,可以高效辅助医师进行肺部结节的甄别筛查工作,减小了医师的工作难度,并为肺部CT图像肺结节实时检测提供了条件。
参考文献
[1] 苗光,李朝锋.二维和三维卷积神经网络相结合的CT图像肺结节检测方法[J].激光与光电子学进展,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,谢世朋,李海波.基于卷积神经网络检测肺结节[J].中国医学影像技术,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,张少敏,支力佳,等.融合注意力机制和特征金字塔网络的CT图像肺结节检测[J].中国图象图形学报,2021,26(9):2156-2170.
[6] 孙华聪,彭延军,郭燕飞,等.3D多尺度深度卷积神经网络肺结节检测[J].中国图象图形学报,2021,26(7):1716-1725.