CN111127438A - 基于改进yolo算法的肺部ct图像中结节检测方法 - Google Patents

基于改进yolo算法的肺部ct图像中结节检测方法 Download PDF

Info

Publication number
CN111127438A
CN111127438A CN201911354182.1A CN201911354182A CN111127438A CN 111127438 A CN111127438 A CN 111127438A CN 201911354182 A CN201911354182 A CN 201911354182A CN 111127438 A CN111127438 A CN 111127438A
Authority
CN
China
Prior art keywords
network
image
yolo
lung
algorithm
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201911354182.1A
Other languages
English (en)
Inventor
黄青松
王波
段彦隆
刘利军
冯旭鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN201911354182.1A priority Critical patent/CN111127438A/zh
Publication of CN111127438A publication Critical patent/CN111127438A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung
    • G06T2207/30064—Lung nodule

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明涉及基于改进YOLO算法的肺部CT图像中结节检测方法，属于计算机医疗图像技术领域。本发明包括步骤：首先对CT图像进行预处理，其次对网格进行划分，再使用K‑means算法对数据集进行聚类分析。最后借鉴Darknet‑53网络和Densenet网络的思想，构建了一个在多尺度间具有紧密连接的深度卷积神经网络。实验结果表明，新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；本发明极大提高了肺结节检测的查准率、查全率、效率，为肺部CT图像肺结节实时检测提供了条件。

Description

基于改进YOLO算法的肺部CT图像中结节检测方法
技术领域
本发明涉及基于改进YOLO算法的肺部CT图像中结节检测方法，属于计算机医疗图像技术领域。
背景技术
随着空气污染造成环境的不断恶化以及吸烟人口的大量增加，肺部疾病的发病率和死亡率逐年上升。肺癌作为最常见的内脏恶性肿瘤，已成为发病率增幅最大的癌症之一，而且在相当长的时间内，它将稳居癌症死亡原因之首位。因此肺癌的预防和早期发现将成为肿瘤控制的重点之一。由于肺癌一旦进入晚期，患者存活几率极低，因此肺癌的早发现、早诊断、早治疗能够有效提高患者生存质量和存活率。胸部CT可以验证病变所在的部位和累及范围，也可大致区分其良、恶性，由于CT影像对各种肺部病变具有良好的密度分辨能力，因此成为目前诊断肺癌的重要手段。肺结节是肺癌早期的病灶表现，其CT影响表现为肺内不透明光影，恶性结节表现为边缘不规则或半毛刺、针尖状或偏心性钙化，良性结节边缘光滑、无明显分叶毛刺等。但由于CT是断层图像，通常一个病例的全肺CT包含200-500张图像。要从如此多图像中识别微小的肺部结节并分辨是良性病变还是恶性肿瘤或是其它的肺部病变，对影像诊断医师的体力及脑力都是巨大的挑战。同时由于在早期CT影像中肺部结节体积微小，边缘不明显，肉眼不易分辨，使得出现漏诊和误诊的情况增多。在这种情况下，为了降低影像科医师的阅片负担，提高疾病的诊断准确率，降低漏诊率和误诊率，计算机辅助诊断(Computer Aided Diagnosis and Detection,CAD)系统应运而生，成为影像科医师的有效辅助工具，对提高医生工作效率、提高诊断准确率、降低误诊率和漏诊率起到了重要的作用。
发明内容
本发明提供了基于改进YOLO算法的肺部CT图像中结节检测方法，以用于提高肺结节检测的查准率、查全率、效率。
本发明的技术方案是：基于改进YOLO算法的肺部CT图像中结节检测方法，
所述方法的具体步骤如下：
Step1、对CT图像进行预处理；
Step2、确定网格大小：经Step1预处理操作之后，将输入的图像分成S×S个单元格，对网格进行划分；
Step3、利用改进的K-means对训练集中的boxes进行聚类，评判标准是平均IOU得分，根据聚类结果平衡复杂度与IOU，选择K值进行学习；
Step4、在YOLO网络的基础上，借鉴Darknet-53网络和Densenet网络的思想，增加了网络的层数，并将YOLO网络中对中小尺度进行的预测输入两组残差神经网络模块替换为密集神经网络模块，构建一个在两尺度间具有紧密连接的深度卷积神经网络，使得网络在进行预测前能接收密集连接块输出的多层卷积特征，通过特征的复用与融合，更好的实现目标的检测与识别。
进一步地，所述步骤Step1的具体步骤如下：
Step1.1、首先从美国癌症研究所公开的肺部图像数据集联盟中下载数据集；
Step1.2、测试YOLO算法对图像尺寸的敏感性，对图像进行放大和缩放，测试是否影响图像的质量；
Step1.3、通过训练选定图像的尺寸大小，通过测试训练采用512*512尺寸的图像进行训练。
进一步地，所述步骤Step2的具体步骤如下：
Step2.1、经过数据预处理操作后，对YOLO的输入网格进行选定；
Step2.2、YOLO将输入的图像分成S×S个单元格，每个单元格的神经元负责检测该单元格内的对象，最多能包括两个预测对象的滑动窗口；其中，选择19×19的单元格分割。
进一步地，所述步骤Step3的具体步骤如下：
Step3.1、YOLO算法包含全连接层，从而能直接预测Bounding Boxes的坐标值。但预测坐标值会导致计算复杂度增加，因而造成神经网络学习困难的同时也降低了学习效率。参考Faster-RCNN中的anchor机制，不直接预测坐标值，使用卷积层与Region ProposalNetwork来预测Anchor Box偏移值与置信度，简化了神经网络的学习难度；
Step3.2、因为在Faster-RCNN和SSD中需要手工设置先验框，这样会导致选择的主观性比较强；如果可以自主选择维度合适的先验框，将有助于神经网络更好的进行预测；所以经过Step3.1后得到Anchor Box偏移值与置信度后采用K-means算法对数据集的目标框大小进行聚类；
传统的K-means聚类方法中通常使用欧氏距离作为距离量度对两点间的距离进行计算，但这里使用K-means算法进行聚类的目的是提高IOU分数，这依赖于Box的大小，如果使用传统的欧氏距离函数的K-means聚类方法，则意味着较大的boxes会比较小的boxes产生更多的error，从而导致聚类的结果偏移。因此：改进距离函数的K-means聚类方法，使用(box,centroid)＝1-IOU(box,centroid)对距离的计算；
Step3.3经过Step3.2得到聚类结果，再根据聚类结果平衡复杂度与IOU，选择K值进行学习；其中K值为4。
进一步地，所述步骤Step4的具体步骤如下：
Step4.1、在YOLO网络的基础上，借鉴Darknet-53网络和Densenet网络的思想，增加了网络中卷积层的层数；
Step4.2、采用三个尺度分别进行预测，以保证不同大小结节的识别准确率；此外，为了使得多尺度预测的准确性，对YOLO网络进行了改进，将小尺度预测Output2和Output3中的两组残差神经网络模块替换为密集神经网络模块，以接受较大尺度预测Output1输出的多层卷积特征，实现特征的复用与融合，以提高识别的准确率；
Step4.3、采用二元交叉熵进行类别预测。
本发明的有益效果是：
1、第一，由于CT图像大小具有确定的规格，因此不对图像进行缩放处理，从而不会影响图像的质量，不会造成有效信息的丢失。得出有效的图像尺寸，使图像的有效信息得到充分利用；
2、改进了k-means聚类，在预测边界框时得到更小的误差，用来提高目标定位的精确性以及检测的召回率；
3、不使用softmax而是使用二元交叉熵来进行类别预测，进一步提高目标检测的精确性。
4、增加卷积层的数量，参考并使用特征金字塔网络Darknet-53提取特征，提高了小目标的识别率、目标检测的精确性和程序的运行速度
综上所述，基于改进YOLO算法的肺部CT图像中结节检测的方法，首先以基于回归的目标识别方法的深度卷积神经网络YOLO为基础，对YOLO的结构进行修改，并对层级结构中的参数进行调整，改进为一种带有密集卷积块的神经网络结构，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，最终模型极大提高了肺结节检测的查准率、查全率、效率，为肺部CT图像肺结节实时检测提供了条件。
附图说明
图1为为本发明基于改进YOLO算法的肺部CT图像中结节检测的方法模型的流程框图；
图2为本发明中YOLO检测网络结构图；
图3为本发明改进后的网络结构图；
图4为本发明中预测部分网络结构图。
具体实施方式
实施例1：如图1-4所示，基于改进YOLO算法的肺部CT图像中结节检测方法，所述方法的具体步骤如下：
Step1、对CT图像进行预处理；
进一步地，所述步骤Step1的具体步骤如下：
Step1.1、首先从美国癌症研究所公开的肺部图像数据集联盟中下载数据集；
Step1.2、测试YOLO算法对图像尺寸的敏感性，对图像进行放大和缩放，测试是否影响图像的质量；
Step1.3、通过训练选定图像的尺寸大小，通过测试训练采用512*512尺寸的图像进行训练。
Step2、确定网格大小：经Step1预处理操作之后，将输入的图像分成S×S个单元格，对网格进行划分；
进一步地，所述步骤Step2的具体步骤如下：
Step2.1、经过数据预处理操作后，对YOLO的输入网格进行选定；
Step2.2、YOLO将输入的图像分成S×S个单元格，每个单元格的神经元负责检测该单元格内的对象，最多能包括两个预测对象的滑动窗口；对肺结节检测来说，肺结节是需要识别的主要目标，而肺结节在肺部CT图像中又大多数属于小目标，因此为提升小目标的检测效果，减少网络中pooling层数目，这里需要将S的取值适当增大，本发明选择19×19的单元格分割。
Step3、利用改进的K-means对训练集中的boxes进行聚类，评判标准是平均IOU得分，根据聚类结果平衡复杂度与IOU，选择K值进行学习；
进一步地，所述步骤Step3的具体步骤如下：
Step3.1、使用卷积层与Region Proposal Network来预测Anchor Box偏移值与置信度；
Step3.2、经过Step3.1后得到Anchor Box偏移值与置信度后采用K-means算法对数据集的目标框大小进行聚类；改进距离函数的K-means聚类方法，使用(box,centroid)＝1-IOU(box,centroid)对距离的计算；
Step3.3经过Step3.2得到聚类结果，再根据聚类结果平衡复杂度与IOU，选择K值进行学习；其中K值为4。
Step4、在YOLO网络的基础上，借鉴Darknet-53网络和Densenet网络的思想，增加了网络的层数，并将YOLO网络中对中小尺度进行的预测输入两组残差神经网络模块替换为密集神经网络模块，构建一个在两尺度间具有紧密连接的深度卷积神经网络，使得网络在进行预测前能接收密集连接块输出的多层卷积特征，通过特征的复用与融合，更好的实现目标的检测与识别。
进一步地，所述步骤Step4的具体步骤如下：
Step4.1、在YOLO网络的基础上，借鉴Darknet-53网络和Densenet网络的思想，增加了网络中卷积层的层数；
Step4.2、采用三个尺度分别进行预测，以保证不同大小结节的识别准确率；此外，为了使得多尺度预测的准确性，对YOLO网络进行了改进，将小尺度预测Output2和Output3中的两组残差神经网络模块替换为密集神经网络模块，以接受较大尺度预测Output1输出的多层卷积特征，实现特征的复用与融合，以提高识别的准确率；
Step4.3、采用二元交叉熵进行类别预测。
Step5、采用计算检测边界框和参考标准框的IOU值，以判断结果中的真正例、假正例和假反例；
所述步骤Step5的具体步骤如下：
Step5.1、在测试过程中，出于医学领域的严谨性，充分考量各方面评估参数，决定采用计算检测边界框和参考标准框的IOU值，以判断结果中的真正例、假正例和假反例。当IOU≥0.5时，为真正例；当0＜IOU＜0.5时，为假正例，若IOU＝0，则为假反例。
基于YOLO算法的一个可以一次性预测多个Box位置和类别的卷积神经网络，能够实现端到端的目标检测和识别；它将物体检测作为回归问题来求解。基于一个单独的end-to-end网络，完成从原始图像的输入到物体位置和类别的输出。从网络设计上看，YOLO与R-CNN、Fast R-CNN和Faster R-CNN的主要区别在于YOLO是一个one-stage检测方法，其检测速度远远高于two-stage方法。从优化层面看，one-stage是对整个解空间进行优化，则一定包含全局最优解，而two-stage是在解空间的子空间进行优化求解，容易陷入局部最优解或不包含全局最优解，因此从这个角度讲，one-stage方法的精度上限也同样大于two-stage方法。Parham等评估了目标检测算法YOLO、Faster-RCNN和霍夫森林的性能。
根据不同肺结节大小得到的实验结果如下表1所示。观察到对于总体而言检出的结节平均准确率高达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，＞12毫米的结节其平均检出率已达到99％以上。
表1为本发明实验结果
Figure BDA0002335448700000061
本方法的实验结果与其它CAD系统的实验结果比较如表2所示。从实验结果看出，本文提出的方法得到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；
表2为本发明方法与其他方法肺结节检出率对比
Figure BDA0002335448700000062
Figure BDA0002335448700000071
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (5)

1.基于改进YOLO算法的肺部CT图像中结节检测方法，其特征在于：
所述方法的具体步骤如下：
Step1、对CT图像进行预处理；
Step2、确定网格大小：经Step1预处理操作之后，将输入的图像分成S×S个单元格，对网格进行划分；
Step3、利用K-means对训练集中的boxes进行聚类，评判标准是平均IOU得分，根据聚类结果平衡复杂度与IOU，选择K值进行学习；
Step4、在YOLO网络的基础上，借鉴Darknet-53网络和Densenet网络的思想，增加了网络的层数，并将YOLO网络中对中小尺度进行的预测输入两组残差神经网络模块替换为密集神经网络模块，构建一个在两尺度间具有紧密连接的深度卷积神经网络，使得网络在进行预测前能接收密集连接块输出的多层卷积特征，通过特征的复用与融合，更好的实现目标的检测与识别。
2.根据权利要求1所述的基于改进YOLO算法的肺部CT图像中结节检测方法，其特征在于：所述步骤Step1的具体步骤如下：
Step1.1、首先从美国癌症研究所公开的肺部图像数据集联盟中下载数据集；
Step1.2、测试YOLO算法对图像尺寸的敏感性，对图像进行放大和缩放，测试是否影响图像的质量；
Step1.3、通过训练选定图像的尺寸大小，通过测试训练采用512*512尺寸的图像进行训练。
3.根据权利要求1所述的基于改进YOLO算法的肺部CT图像中结节检测方法，其特征在于：所述步骤Step2的具体步骤如下：
Step2.1、经过数据预处理操作后，对YOLO的输入网格进行选定；
Step2.2、YOLO将输入的图像分成S×S个单元格，每个单元格的神经元负责检测该单元格内的对象，最多能包括两个预测对象的滑动窗口；其中，选择19×19的单元格分割。
4.根据权利要求1所述的基于改进YOLO算法的肺部CT图像中结节检测方法，其特征在于：所述步骤Step3的具体步骤如下：
Step3.1、使用卷积层与Region Proposal Network来预测Anchor Box偏移值与置信度；
Step3.2、经过Step3.1后得到Anchor Box偏移值与置信度后采用K-means算法对数据集的目标框大小进行聚类；改进距离函数的K-means聚类方法，使用(box,centroid)＝1-IOU(box,centroid)对距离的计算；
Step3.3经过Step3.2得到聚类结果，再根据聚类结果平衡复杂度与IOU，选择K值进行学习；其中K值为4。
5.根据权利要求1所述的基于改进YOLO算法的肺部CT图像中结节检测方法，其特征在于：所述步骤Step4的具体步骤如下：
Step4.1、在YOLO网络的基础上，借鉴Darknet-53网络和Densenet网络的思想，增加了网络中卷积层的层数；
Step4.2、采用三个尺度分别进行预测，以保证不同大小结节的识别准确率；此外，为了使得多尺度预测的准确性，对YOLO网络进行了改进，将小尺度预测Output2和Output3中的两组残差神经网络模块替换为密集神经网络模块，以接受较大尺度预测Output1输出的多层卷积特征，实现特征的复用与融合，以提高识别的准确率；
Step4.3、采用二元交叉熵进行类别预测。
CN201911354182.1A 2019-12-25 2019-12-25 基于改进yolo算法的肺部ct图像中结节检测方法 Pending CN111127438A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911354182.1A CN111127438A (zh) 2019-12-25 2019-12-25 基于改进yolo算法的肺部ct图像中结节检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911354182.1A CN111127438A (zh) 2019-12-25 2019-12-25 基于改进yolo算法的肺部ct图像中结节检测方法

Publications (1)

Publication Number Publication Date
CN111127438A true CN111127438A (zh) 2020-05-08

Family

ID=70502920

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911354182.1A Pending CN111127438A (zh) 2019-12-25 2019-12-25 基于改进yolo算法的肺部ct图像中结节检测方法

Country Status (1)

Country Link
CN (1) CN111127438A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111862408A (zh) * 2020-06-16 2020-10-30 北京华电天仁电力控制技术有限公司 一种智能门禁控制方法
CN111881984A (zh) * 2020-07-30 2020-11-03 北京环境特性研究所 一种基于深度学习的目标检测方法和装置
CN112184684A (zh) * 2020-10-09 2021-01-05 桂林电子科技大学 一种改进的YOLO-v3算法及其在肺结节检测中的应用
CN112308019A (zh) * 2020-11-19 2021-02-02 中国人民解放军国防科技大学 基于网络剪枝和知识蒸馏的sar舰船目标检测方法
CN112634210A (zh) * 2020-12-10 2021-04-09 重庆大学 一种基于三维ct影像的肺结节检测方法
CN113095445A (zh) * 2021-06-08 2021-07-09 中国铁塔股份有限公司湖北省分公司 一种目标识别方法及装置
CN113724298A (zh) * 2021-11-01 2021-11-30 深圳市城市交通规划设计研究中心股份有限公司 多点位感知融合方法及装置、计算机可读存储介质
CN116703983A (zh) * 2023-06-14 2023-09-05 石家庄铁道大学 联合遮挡目标检测及目标跟踪方法
CN116912212A (zh) * 2023-07-19 2023-10-20 河南大学 基于yolo-csc模型的肺结节ct图像分析方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109685152A (zh) * 2018-12-29 2019-04-26 北京化工大学 一种基于dc-spp-yolo的图像目标检测方法
CN110223352A (zh) * 2019-06-14 2019-09-10 浙江明峰智能医疗科技有限公司 一种基于深度学习的医学图像扫描自动定位方法
CN110223349A (zh) * 2019-05-05 2019-09-10 华南农业大学 一种采摘点定位方法
CN110533640A (zh) * 2019-08-15 2019-12-03 北京交通大学 基于改进YOLOv3网络模型的轨道线路病害辨识方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109685152A (zh) * 2018-12-29 2019-04-26 北京化工大学 一种基于dc-spp-yolo的图像目标检测方法
CN110223349A (zh) * 2019-05-05 2019-09-10 华南农业大学 一种采摘点定位方法
CN110223352A (zh) * 2019-06-14 2019-09-10 浙江明峰智能医疗科技有限公司 一种基于深度学习的医学图像扫描自动定位方法
CN110533640A (zh) * 2019-08-15 2019-12-03 北京交通大学 基于改进YOLOv3网络模型的轨道线路病害辨识方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李新征，金炜，李纲，尹曹谦，: "非对称卷积核YOLO V2 网络的CT 影像肺结节检测", 《中国生物医学工程学报》, 20 August 2019 (2019-08-20), pages 401 - 408 *
郑志强，刘妍妍，潘长城，李国宁: "改进YOLO V3 遥感图像飞机识别应用", 《电光与控制》, 25 August 2018 (2018-08-25), pages 28 - 32 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111862408A (zh) * 2020-06-16 2020-10-30 北京华电天仁电力控制技术有限公司 一种智能门禁控制方法
CN111881984A (zh) * 2020-07-30 2020-11-03 北京环境特性研究所 一种基于深度学习的目标检测方法和装置
CN112184684A (zh) * 2020-10-09 2021-01-05 桂林电子科技大学 一种改进的YOLO-v3算法及其在肺结节检测中的应用
CN112308019A (zh) * 2020-11-19 2021-02-02 中国人民解放军国防科技大学 基于网络剪枝和知识蒸馏的sar舰船目标检测方法
CN112634210A (zh) * 2020-12-10 2021-04-09 重庆大学 一种基于三维ct影像的肺结节检测方法
CN112634210B (zh) * 2020-12-10 2024-04-09 重庆大学 一种基于三维ct影像的肺结节检测方法
CN113095445A (zh) * 2021-06-08 2021-07-09 中国铁塔股份有限公司湖北省分公司 一种目标识别方法及装置
CN113724298A (zh) * 2021-11-01 2021-11-30 深圳市城市交通规划设计研究中心股份有限公司 多点位感知融合方法及装置、计算机可读存储介质
CN113724298B (zh) * 2021-11-01 2022-03-18 深圳市城市交通规划设计研究中心股份有限公司 多点位感知融合方法及装置、计算机可读存储介质
CN116703983A (zh) * 2023-06-14 2023-09-05 石家庄铁道大学 联合遮挡目标检测及目标跟踪方法
CN116703983B (zh) * 2023-06-14 2023-12-19 石家庄铁道大学 联合遮挡目标检测及目标跟踪方法
CN116912212A (zh) * 2023-07-19 2023-10-20 河南大学 基于yolo-csc模型的肺结节ct图像分析方法

Similar Documents

Publication Publication Date Title
CN111127438A (zh) 基于改进yolo算法的肺部ct图像中结节检测方法
Yan et al. Classification of lung nodule malignancy risk on computed tomography images using convolutional neural network: A comparison between 2d and 3d strategies
CN110942446A (zh) 一种基于ct影像的肺结节自动检测方法
CN110807764A (zh) 一种基于神经网络的肺癌筛查方法
CN107016665A (zh) 一种基于深度卷积神经网络的ct肺结节检测方法
Nguyen et al. Pulmonary nodule detection based on faster R-CNN with adaptive anchor box
CN112262440A (zh) 一种通过影像组学特征判断癌症治疗反应的方法及系统
Perumal et al. Lung cancer detection and classification on CT scan images using enhanced artificial bee colony optimization
Mei et al. YOLO-lung: A practical detector based on imporved YOLOv4 for Pulmonary Nodule Detection
Song et al. Using HOG-LBP features and MMP learning to recognize imaging signs of lung lesions
CN116091490A (zh) 一种基于YOLOv4-CA-CBAM-K-means++-SIOU的肺结节检测方法
CN113139928B (zh) 肺结节检测模型的训练方法和肺结节检测方法
CN114581698A (zh) 一种基于空间交叉注意力机制特征融合的目标分类方法
Yuan et al. Pulmonary nodule detection using 3-d residual u-net oriented context-guided attention and multi-branch classification network
CN115715416A (zh) 基于机器学习的医学数据检查器
CN110334704B (zh) 基于分层学习的三维模型兴趣点提取方法及系统
Xu et al. Identification of benign and malignant lung nodules in CT images based on ensemble learning method
Chen et al. Bi-deformation-UNet: recombination of differential channels for printed surface defect detection
Xu et al. A new object detection algorithm based on yolov3 for lung nodules
Wang et al. Controlling false-positives in automatic lung nodule detection by adding 3D cuboid attention to a convolutional neural network
CN113902676A (zh) 基于注意力机制的神经网络的肺结节图像检测方法及系统
Li et al. Covid-19 detection in chest radiograph based on yolo v5
Jiang et al. Classifying cervical histopathological whole slide images via deep multi-instance transfer learning
Khouadja et al. Lung Cancer Detection with Machine Learning and Deep Learning: A Narrative Review
Yang et al. Leveraging auxiliary information from EMR for weakly supervised pulmonary nodule detection

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200508