基于改进YOLO算法的肺部CT图像中结节检测研究

• 作者: 冯旭鹏 刘利军 王波 黄青松
• 来源期刊: 北京生物医学工程
• 学科: 医学
• 关键词: YOLO算法 CT图像 肺结节检测 多尺度预测 目标识别
• 年，卷（期）: 2020,（6）
• 所属期刊栏目: 论著
• 页码范围: 615-621
• 页数: 7页
• 分类号: R318.04
• 语种: 中文
• DOI: 10.3969/j.issn.1002-3208.2020.06.010.

摘要

目的 随着机器学习的发展,如何准确高效地识别肺部CT图像中的肺结节具有重要的应用价值.方法 针对肺部结构复杂、肺部结节过小、肺结节病理特征各异等特点,提出一个以YOLO算法为基础,结合Darknet-53网络和Densenet网络的思想,在多尺度间具有紧密连接的深度卷积神经网络.为保证图像有效信息和提高目标定位的精确性以及检测的召回率,首先对数据集图像尺寸大小进行固定,其次通过K-means算法对数据集进行聚类分析,最后使用二元交叉熵做类别预测.实验使用美国癌症研究所公开的肺部图像数据集联盟(Lung Image Database Consortium,LIDC)提供的数据集,对肺结节检测的准确率以及检测效率进行了实验对比.结果 改进的深度卷积神经网络对肺结节检测的准确率及检测效率均有提升.在肺部CT图像中肺结节检测的平均查全率达到95.69％,对微小结节的平均查全率达到88.66％,每秒识别帧数达到32 f/s,相比当前最快的Faster R-CNN检测时间缩短了近80％.结论 通过对YOLO算法的改进可以提高肺结节检测效率,为肺部CT图像肺结节实时检测提供了条件.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	黄青松		91	265	9.0	12.0
2	刘利军		77	196	7.0	10.0
3	冯旭鹏		34	77	5.0	7.0
4	王波		23	83	5.0	7.0