目的隨著機器學習的發(fā)展,如何準確高效地識別肺部CT圖像中的肺結節(jié)具有重要的應用價值。方法針對肺部結構復雜、肺部結節(jié)過小、肺結節(jié)病理特征各異等特點,提出一個以YOLO算法為基礎,結合Darknet-53網絡和Densenet網絡的思想,在多尺度間具有緊密連接的深度卷積神經網絡。為保證圖像有效信息和提高目標定位的精確性以及檢測的召回率,首先對數據集圖像尺寸大小進行固定,其次通過K-means算法對數據集進行聚類分析,最后使用二元交叉熵做類別預測。實驗使用美國癌癥研究所公開的肺部圖像數據集聯盟(Lung Image Database Consortium, LIDC)提供的數據集,對肺結節(jié)檢測的準確率以及檢測效率進行了實驗對比。結果改進的深度卷積神經網絡對肺結節(jié)檢測的準確率及檢測效率均有提升。在肺部CT圖像中肺結節(jié)檢測的平均查全率達到95.69%,對微小結節(jié)的平均查全率達到88.66%,每秒識別幀數達到32 f/s,相比當前最快的Faster R-CNN檢測時間縮短了近80%。結論通過對YOLO算法的改進可以提高肺結節(jié)檢測效率,為肺部CT圖像肺結節(jié)實時檢測提供了條件。

【文章頁數】：7 頁

【文章目錄】：
0 引言
1 算法的提出
    1.1 YOLO檢測網絡
    1.2 算法改進
        1.2.1 預訓練尺寸
        1.2.2 網格劃分
        1.2.3 基于數據集的聚類的改進
        1.2.4 網絡改進
        1.2.5 評價方法
2 實驗對比
    2.1 實驗平臺
    2.2 數據集
    2.3 方法對比
3 討論
4 結論



本文編號：3810684