基于YOLOV3的肺結節檢測方法研究

黃冕 劉順有 楊林海

摘??要：在傳統的CT圖像肺結節檢測方法中，檢測率和定位精度低并且處理速度慢耗費時間長，又因為在肺部圖像中存在結構復雜、肺結節過小、肺結節病理特征各異，所以檢測結果假陽性高、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絡，重點優化了肺部結節目標過小、位置復雜、特征各異以及容易誤診等問題。針對在肺結節檢測中肺結節目標比較小容易帶來位置誤差，設計了相應的損失函數。通過減少位置誤差帶來的影響同時保證得到有效的損失函數傳遞，從而提高肺結節位置的定位精度。在LIDC-IDRI數據集上該文方法的查準率、查全率和準確率分別為99.57%、95.69%、98.6%，相較于傳統的檢測方法有明顯提升。

關鍵詞?CT圖像??肺結節檢測??Yolo算法??目標識別

中圖分類號：TP391???????????文獻標識碼：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，肺癌嚴重威脅人類的身體健康，在肺癌早期病灶判定的重要依據是肺結節。如果能提出高檢測率的肺結節檢測方法，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。在近年來的計算機輔助檢測肺結節中，苗光等人[1]針對現有方法在大量肺部數據中存在的檢測肺結節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絡（2DFCN）與三維立體式目標分類卷積神經網絡（3DCNN）相結合的肺結節檢測方法。ZHU???W等人[2]提出?的三維卷積檢測模型，減少了結節假陽性問題。但是模型采用傳統的網絡提取特征，導致檢測準度較低。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解剖識別算法，獲取位置敏感特征圖表達肺結節的位置信息。MEI??S等人[4]提出了基于yolov4改進的肺結節檢測方法。張福玲[5]等人提出了融合注意力機制和特征金字塔網絡的CT圖像肺結節檢測。孫華聰等人[6]提出了3D多尺度深度卷積神經網絡肺結節檢測。研究人員主要通過機器學習進行肺結節的檢測。在上述肺結節檢測研究現狀中主要存在的問題有：（1）在背景結構復雜的肺結節環境下，提取的特征不顯著，定位效果差。（2）對尺寸較小肺結節檢測假陽性高、存在敏感度低等問題。（3）對肺結節檢測速度較慢，耗時高。

1本文方法

1.1?yolo網絡結構

在肺結節的識別過程中，由于識別目標的特性，導致很多位置特征模糊，從而導致特征信息不準確。為了加強位置信息的特征提取，使網絡在復雜圖像中依舊有好的準確率。該文使用的YOLO網絡是基于Darknet-53網絡，Darknet-53網絡結構如表1所示。

Darknet-53網絡比YOLOv2中的Darknet-19網絡性能更強，比ResNet-101網絡快1.5倍比ResNet-152網絡快2倍，

1.2邊界框預測

我們網絡的對邊界框的預測與yolov2相同只會預測每個邊界框（bounding?boxes）的、、、4個偏移量值。并把從每張圖片左上角的偏移量設為?、每個單元格都為1，和為錨框（anchor?boxes）的長和寬，已經通過聚類設置好先驗值。那么邊界框中心點的坐標、和邊界框的長和寬、都可以計算出來，如公式（1）所示，邊界框中心點的X坐標等于對偏移量歸一化后加上。如公式（2）所示中心點的Y坐標等于對偏移量歸一化后加上。邊界框的長和寬、的計算如公式（3）（4）所示。

該文方法訓練階段采用均方誤差進行計算，可以把檢查問題轉化為分類問題。設真實值（ground?truth）為，那梯度為。這樣可以使整個網絡更加容易學習。

2分析與討論

該文方法根據不同肺結節大小得到平均準確率高達99.57%，證明其檢出準確率可以相信;結節平均查全率達到了95.69%，對于當前研究有顯著提高。同時注意到，對于≤6?mm的微小結節其檢出率仍然未達到90%以上，而對>12?mm的結節其平均檢出率已達到99%以上，因此后續可繼續針對微小結節的檢測進行改進。

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

3?結語

針對圖像肺結節檢測中，檢測率和定位精度低并且處理速度，肺部圖像中存在結構復雜、肺結節過小、肺結節病理特征各異等問題，該文改善了YOLO算法對小目標識別難度大精度差的問題，有效提高了計算機輔助肺結節檢測的精確性，極大地提高了檢測效率。實驗證明，該文方法可以有效對肺結節進行檢測，對比現階段其他方法在各項評價指標都有明顯提高，可以高效輔助醫師進行肺部結節的甄別篩查工作，減小了醫師的工作難度，并為肺部CT圖像肺結節實時檢測提供了條件。

參考文獻

[1] 苗光，李朝鋒.二維和三維卷積神經網絡相結合的CT圖像肺結節檢測方法[J].激光與光電子學進展，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.基于卷積神經網絡檢測肺結節[J].中國醫學影像技術，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.融合注意力機制和特征金字塔網絡的CT圖像肺結節檢測[J].中國圖象圖形學報，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網絡肺結節檢測[J].中國圖象圖形學報，2021，26（7）：1716-1725.