文献类型：期刊文章

作　　者：王波[1] 冯旭鹏[2] 刘利军[1] 黄青松[1,3]

WANG Bo;FENG Xupeng;LIU Lijun;HUANG Qingsong(Faculty of Information Engineering and Automation, Kunming University of Science and Technology, Kunming 650500;Educational Technology and Network Center, Kunming University of Science and Technology, Kunming 650500;Yunnan Provincial Key Laboratory of Computer Technology Applications, Kunming 650500)

机构地区：[1]昆明理工大学信息工程与自动化学院,昆明650500 [2]昆明理工大学教育技术与网络中心,昆明650500 [3]云南省计算机技术应用重点实验室,昆明650500

出　　处：《北京生物医学工程》

基　　金：国家自然科学基金(81860318、81560296)资助。

年　　份：2020

卷　　号：39

期　　号：6

起止页码：615-621

语　　种：中文

收录情况：SCOPUS、ZGKJHX、普通刊

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。

关 键 词：YOLO算法  CT图像 肺结节检测  多尺度预测  目标识别

分 类 号：R318.04[生物医学工程类]