CN113838021A - 基于改进的YOLOv5网络的肺结节检测系统 - Google Patents
基于改进的YOLOv5网络的肺结节检测系统 Download PDFInfo
- Publication number
- CN113838021A CN113838021A CN202111097242.3A CN202111097242A CN113838021A CN 113838021 A CN113838021 A CN 113838021A CN 202111097242 A CN202111097242 A CN 202111097242A CN 113838021 A CN113838021 A CN 113838021A
- Authority
- CN
- China
- Prior art keywords
- module
- network
- yolov5
- improved
- input
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 230000002685 pulmonary effect Effects 0.000 title claims abstract description 22
- 206010056342 Pulmonary mass Diseases 0.000 claims abstract description 12
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 5
- 238000012512 characterization method Methods 0.000 abstract description 2
- 238000007500 overflow downdraw method Methods 0.000 abstract description 2
- 210000003128 head Anatomy 0.000 description 4
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 3
- 201000005202 lung cancer Diseases 0.000 description 3
- 208000020816 lung neoplasm Diseases 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
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
- 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
- G06T2207/20081—Training; Learning
-
- 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)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
基于改进的YOLOv5网络的肺结节检测系统涉及计算机辅助检测与诊断领域，进一步改进了原始的YOLOv5网络结构，使得肺结节检测精度进一步提高。本发明采用YOLOv5方法为基本框架，解决了二阶段检测算法中检测速度慢，复杂度高的问题。针对传统YOLO算法对小目标如肺部结节识别困难和肺部结节检测准确性差的问题。在原始YOLOv5网络的基础上，通过在骨干网络中嵌入SE注意机制和改变特征融合方法，改进了YOLOv5算法，提高了肺结节检测的精度。使主干网络更能聚焦感兴趣区域，提高特征表征能力。并在特征融合模块赋予不同层次的特征不同权重，实现更加有效的特征融合。
Description
技术领域
本发明涉及计算机辅助检测与诊断领域，具体涉及一种基于改进的YOLOv5网络的肺结节检测系统。
背景技术
全球范围内，肺癌为发病率最高的癌症之一，死亡数也居高不下。早期发现病灶并治疗能够显著提升肺癌生存率。对CT影像中的肺结节进行检测分析有助于早期肺癌诊断，但是，随着CT扫描数量的大量增加，放射科医生工作量大大增加。且肺结节具有体积微小，形式多样的特点，医生肉眼辨别困难，且有时一个病灶的诊断需要多名专家进行会诊，对体力脑力要求非常高，可能会造成误诊漏检等问题。
近年来，国内外专家学者致力于将计算机辅助检测与诊断应用于医学影像领域的研究。提出一系列有效的肺结节检测算法。传统肺结节检测方法采用提取纹理等特征的方法，然后用分类器加以训练，最后降低假阳性识别出肺结节。但传统的检测方法具有效率低下，检测速度慢，过于依赖人工选取的特征等缺点。深度学习的出现给计算机视觉领域带来新的机遇。Zhu等人针对结节检测问题，设计了Deeplung模型，结合了3D双路径块和编码器-解码器结构来学习结节的特征，最终准确检测出肺结节。Ramachandran等人首次将YOLO网络用于肺部结节检测，并在训练过程中引入迁移学习。提出的检测系统具有良好的准确性和敏感性，以及低误报率。
目前，大多数方法采用的基于Faster-RCNN进行肺结节检测方法中，由于使用了RPN网络和anchor box机制，在面对一个肺结节患者具有成百上千的肺结节CT图像时计算量非常大，检测速度比较慢。使用基于YOLO的肺结节检测方法中，存在检测精度低，模型低效等缺点。
发明内容
为了解决现有技术中存在的问题，本发明提供了一种基于改进的YOLOv5网络的肺结节检测系统，进一步改进了原始的YOLOv5网络结构，使得肺结节检测精度进一步提高。
本发明解决技术问题所采用的技术方案如下：
一种基于改进的YOLOv5网络的肺结节检测系统，所述YOLOv5网络包括：输入模块、骨干模块、颈部模块和头部模块；通过所述输入模块的马赛克数据增强、自适应图像缩放和自适应锚框计算处理输入的CT图像；在骨干模块中，处理后的CT图像首先被送入聚焦结构中进行切片操作，确保了输入的CT图像信息的完整性，并减少了图像的大小；然后通过所述骨干模块中的多个Conv、C3模块和一个SPP模块进行提取特征，形成一组新的特征图；颈部模块使用特征融合模块对所述特征图进行融合；最后经由头部模块，是所述融合后的特征图生成边界框并生成检测结果；在所述骨干模块中添加注意力机制模块，使YOLOv5网络中经过多次训练后为输入特征不同的通道分配不同的权重，并让网络学习自动调整。
优选的，所述注意力机制模块为SE模块。
优选的，所述颈部模块中，现有Concat模块替换成F-Concat，为不同层次的输入特征分配不同的权重，并让网络学习自动调整。
本发明的有益效果是：本发明采用YOLOv5方法为基本框架，解决了二阶段检测算法中检测速度慢，复杂度高的问题。针对传统YOLO算法对小目标如肺部结节识别困难和肺部结节检测准确性差的问题。在原始YOLOv5网络的基础上，通过在骨干网络中嵌入SE注意机制和改变特征融合方法，改进了YOLOv5算法，提高了肺结节检测的精度。使主干网络更能聚焦感兴趣区域，提高特征表征能力。并在特征融合模块赋予不同层次的特征不同权重，实现更加有效的特征融合。
附图说明
图1现有技术YOLOv5的网络结构；
图2本发明改进后的YOLOv5的网络结构；
具体实施方式
下面结合附图和实施例对本发明做进一步详细说明。
如图1所示，一种基于改进的YOLOv5网络的肺结节检测系统，所述YOLOv5网络包括：输入模块、骨干模块、颈部模块和头部模块；通过所述输入模块的马赛克数据增强、自适应图像缩放和自适应锚框计算处理输入的CT图像；在骨干模块中，处理后的CT图像首先被送入聚焦结构中进行切片操作，确保了输入的CT图像信息的完整性，并减少了图像的大小；然后通过所述骨干模块中的多个Conv、C3模块和一个SPP模块进行提取特征，形成一组新的特征图；颈部模块使用特征融合模块对所述特征图进行融合；最后经由头部模块，是所述融合后的特征图生成边界框并生成检测结果。
本发明的特征在于，如图2所示，在所述骨干模块中添加注意力机制模块，使YOLOv5网络中经过多次训练后为输入特征不同的通道分配不同的权重，并让网络学习自动调整。所述注意力机制模块为SE模块，可以快速插入各种模型中。有效地融合输入特征图的不同通道信息。该模块可以提高算法对通道信息的敏感性，进而增强模型获取肺结节特征的能力。并在所述颈部模块中，现有Concat模块替换成F-Concat，为不同层次的输入特征分配不同的权重，并让网络学习自动调整。
YOLOv4和以前的版本的骨干是基于Darknet框架，而YOLOv5使用Pytorch框架。YOLOv5着重于马赛克增强的应用，它丰富了数据集，在肺结节等小目标检测模型的训练中发挥了重要作用。
现有技术中，YOLOv5网络使用Concat模块进行特征融合。该模块简单地将来自不同层次的特征串联在一起。所有层次的特征都被平等对待。然而，来自不同层次的输入特征往往对输出特征有不同的贡献。因此，在本发明中，我们考虑为来自不同层次的特征分配不同的权重，让网络学习自动调整权重。本发明中我们用F-Concat模块取代YOLOv5中的Concat模块。
经过基于改进的YOLOv5网络的肺结节检测系统检测提高了检测精度，能够清晰并准确的表示出肺结节的位置。
Claims (3)
1.基于改进的YOLOv5网络的肺结节检测系统，所述YOLOv5网络包括：输入模块、骨干模块、颈部模块和头部模块；通过所述输入模块的马赛克数据增强、自适应图像缩放和自适应锚框计算处理输入的CT图像；在骨干模块中，处理后的CT图像首先被送入聚焦结构中进行切片操作，确保了输入的CT图像信息的完整性，并减少了图像的大小；然后通过所述骨干模块中的多个Conv、C3模块和一个SPP模块进行提取特征，形成一组新的特征图；颈部模块使用特征融合模块对所述特征图进行融合；最后经由头部模块，是所述融合后的特征图生成边界框并生成检测结果；其特征在于，在所述骨干模块中添加注意力机制模块，使YOLOv5网络中经过多次训练后为输入特征不同的通道分配不同的权重，并让网络学习自动调整。
2.根据权利要求1所述的基于改进的YOLOv5网络的肺结节检测系统，其特征在于，所述注意力机制模块为SE模块。
3.根据权利要求1所述的基于改进的YOLOv5网络的肺结节检测系统，其特征在于，所述颈部模块中，现有Concat模块替换成F-Concat，为不同层次的输入特征分配不同的权重，并让网络学习自动调整。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111097242.3A CN113838021A (zh) | 2021-09-18 | 2021-09-18 | 基于改进的YOLOv5网络的肺结节检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111097242.3A CN113838021A (zh) | 2021-09-18 | 2021-09-18 | 基于改进的YOLOv5网络的肺结节检测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113838021A true CN113838021A (zh) | 2021-12-24 |
Family
ID=78959873
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111097242.3A Pending CN113838021A (zh) | 2021-09-18 | 2021-09-18 | 基于改进的YOLOv5网络的肺结节检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113838021A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114911813A (zh) * | 2022-06-27 | 2022-08-16 | 芯砺智能科技(上海)有限公司 | 车载感知模型的更新方法、装置、电子设备及存储介质 |
| CN116228685A (zh) * | 2023-02-07 | 2023-06-06 | 重庆大学 | 一种基于深度学习的肺结节检测与剔除方法 |
| CN116612087A (zh) * | 2023-05-22 | 2023-08-18 | 山东省人工智能研究院 | 一种基于YOLOv5-LA的冠脉CTA狭窄检测方法 |
| CN117830223A (zh) * | 2023-12-04 | 2024-04-05 | 华南师范大学 | 一种基于ct平扫影像的肾结石检测与评估方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111553406A (zh) * | 2020-04-24 | 2020-08-18 | 上海锘科智能科技有限公司 | 基于改进yolo-v3的目标检测系统、方法及终端 |
| CN112396002A (zh) * | 2020-11-20 | 2021-02-23 | 重庆邮电大学 | 一种基于SE-YOLOv3的轻量级遥感目标检测方法 |
| CN112926501A (zh) * | 2021-03-23 | 2021-06-08 | 哈尔滨理工大学 | 一种基于YOLOv5网络结构的交通标志检测算法 |
| CN112990392A (zh) * | 2021-05-20 | 2021-06-18 | 四川大学 | 基于改进YOLOv5算法的新材料地板缺陷目标检测系统 |
| CN113298024A (zh) * | 2021-06-11 | 2021-08-24 | 长江大学 | 一种基于轻量化神经网络的无人机对地小目标识别方法 |
-
2021
- 2021-09-18 CN CN202111097242.3A patent/CN113838021A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111553406A (zh) * | 2020-04-24 | 2020-08-18 | 上海锘科智能科技有限公司 | 基于改进yolo-v3的目标检测系统、方法及终端 |
| CN112396002A (zh) * | 2020-11-20 | 2021-02-23 | 重庆邮电大学 | 一种基于SE-YOLOv3的轻量级遥感目标检测方法 |
| CN112926501A (zh) * | 2021-03-23 | 2021-06-08 | 哈尔滨理工大学 | 一种基于YOLOv5网络结构的交通标志检测算法 |
| CN112990392A (zh) * | 2021-05-20 | 2021-06-18 | 四川大学 | 基于改进YOLOv5算法的新材料地板缺陷目标检测系统 |
| CN113298024A (zh) * | 2021-06-11 | 2021-08-24 | 长江大学 | 一种基于轻量化神经网络的无人机对地小目标识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| LIN HAIBO: "An improved yolov3 algorithm for pulmonary nodule detection", 2021 IEEE 4TH ADVANCED INFORMATION MANAGEMENT, COMMUNICATES, ELECTRONIC AND AUTOMATION CONTROL CONFERENCE (IMCEC), pages 1068 - 1072 * |
| MINGXING TAN: "EfficientDet Scalable and Efficient Object Detection", 2020 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR), 5 August 2020 (2020-08-05), pages 10778 - 10787 * |
| 李浪怡: "基于改进YOLOv5 算法的轨面缺陷检测", 五邑大学学报（自然科学版）, pages 43 - 48 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114911813A (zh) * | 2022-06-27 | 2022-08-16 | 芯砺智能科技(上海)有限公司 | 车载感知模型的更新方法、装置、电子设备及存储介质 |
| CN114911813B (zh) * | 2022-06-27 | 2023-09-26 | 芯砺智能科技(上海)有限公司 | 车载感知模型的更新方法、装置、电子设备及存储介质 |
| CN116228685A (zh) * | 2023-02-07 | 2023-06-06 | 重庆大学 | 一种基于深度学习的肺结节检测与剔除方法 |
| CN116228685B (zh) * | 2023-02-07 | 2023-08-22 | 重庆大学 | 一种基于深度学习的肺结节检测与剔除方法 |
| CN116612087A (zh) * | 2023-05-22 | 2023-08-18 | 山东省人工智能研究院 | 一种基于YOLOv5-LA的冠脉CTA狭窄检测方法 |
| CN116612087B (zh) * | 2023-05-22 | 2024-02-23 | 山东省人工智能研究院 | 一种基于YOLOv5-LA的冠脉CTA狭窄检测方法 |
| CN117830223A (zh) * | 2023-12-04 | 2024-04-05 | 华南师范大学 | 一种基于ct平扫影像的肾结石检测与评估方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113838021A (zh) | 基于改进的YOLOv5网络的肺结节检测系统 | |
| CN107016665B (zh) | 一种基于深度卷积神经网络的ct肺结节检测方法 | |
| Lin et al. | AANet: Adaptive attention network for COVID-19 detection from chest X-ray images | |
| CN110164550B (zh) | 一种基于多视角协同关系的先天性心脏病辅助诊断方法 | |
| Zhang et al. | Pulmonary nodules detection based on multi-scale attention networks | |
| Zhang et al. | Residual Learning Diagnosis Detection: An advanced residual learning diagnosis detection system for COVID-19 in Industrial Internet of Things | |
| CN114842524A (zh) | 一种基于不规则显著性像素簇的人脸鉴伪方法 | |
| Yue et al. | Adaptive context exploration network for polyp segmentation in colonoscopy images | |
| CN115880266A (zh) | 一种基于深度学习的肠道息肉检测系统和方法 | |
| Li et al. | Sign language letters recognition model based on improved YOLOv5 | |
| Shimja et al. | Empowering diagnosis: an astonishing deep transfer learning approach with fine tuning for precise lung disease classification from CXR images | |
| Shi et al. | Qisampling: An effective sampling strategy for event-based sign language recognition | |
| CN111881803B (zh) | 一种基于改进YOLOv3的畜脸识别方法 | |
| Zhao et al. | SSN: Shift suppression network for endogenous shift of photovoltaic defect detection | |
| Gupta et al. | Suspicious activity classification in classrooms using deep learning | |
| CN116844158A (zh) | 基于深度学习的血涂片疟疾细胞检测系统 | |
| CN115731387A (zh) | 一种基于混合Transformer的多类型肺结节精准分割方法及模型 | |
| Liu et al. | Detection and Classification of Malaria Parasite Based on Improved YOLOv5 Model | |
| CN113222989B (zh) | 一种图像分级方法、装置、存储介质及电子设备 | |
| CN115909493A (zh) | 一种面向课堂实录视频的教师不当手势检测方法及系统 | |
| CN115908836A (zh) | 基于残差注意力的YOLOv3目标检测方法 | |
| Mi et al. | Steel strip surface defect detection based on multiscale feature sensing and adaptive feature fusion | |
| Wang et al. | A MobileNet Based Model for Tongue Shape Classification | |
| Zhang et al. | Efficient online detection device and method for cottonseed breakage based on Light-YOLO | |
| Chan et al. | Learning Discriminatory Information for Object Detection on Urine Sediment Image. |
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 |