基于改进YOLO算法的肺部CT图像中结节检测研究

发布时间：2023-05-07 13:44

　　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。

【文章页数】：7 页

【文章目录】：
0 引言
1 算法的提出
    1.1 YOLO检测网络
    1.2 算法改进
        1.2.1 预训练尺寸
        1.2.2 网格划分
        1.2.3 基于数据集的聚类的改进
        1.2.4 网络改进
        1.2.5 评价方法
2 实验对比
    2.1 实验平台
    2.2 数据集
    2.3 方法对比
3 讨论
4 结论



本文编号：3810684