CN112184684A - 一种改进的YOLO-v3算法及其在肺结节检测中的应用 - Google Patents
一种改进的YOLO-v3算法及其在肺结节检测中的应用 Download PDFInfo
- Publication number
- CN112184684A CN112184684A CN202011074796.7A CN202011074796A CN112184684A CN 112184684 A CN112184684 A CN 112184684A CN 202011074796 A CN202011074796 A CN 202011074796A CN 112184684 A CN112184684 A CN 112184684A
- Authority
- CN
- China
- Prior art keywords
- image
- algorithm
- data set
- yolo
- detection
- 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 44
- 206010056342 Pulmonary mass Diseases 0.000 title claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000032823 cell division Effects 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000002685 pulmonary effect Effects 0.000 claims description 7
- 238000000034 method Methods 0.000 claims description 6
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims 2
- 230000006870 function Effects 0.000 description 10
- 210000004072 lung Anatomy 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 208000019693 Lung disease Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000002834 transmittance 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
- 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
- G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4084—Scaling of whole images or parts thereof, e.g. expanding or contracting in the transform domain, e.g. fast Fourier transform [FFT] domain scaling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/32—Normalisation of the pattern dimensions
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种改进的YOLO‑v3算法及其在肺结节检测中的应用,首先对YOLO‑v3算法的检测框损失函数进行优化,并根据平均交并比对锚框进行优化;接着对获取的数据集进行图像缩放,并将输入图像进行单元格划分和特征提取,完成对YOLO‑v3算法的改进;然后获取Luna16数据集,并对所述Luna16数据集中的图像进行预处理,所述预处理包括将CT图像灰度数值转换成HU值,然后生成掩膜,最后归一化,统一大小;接着将预处理后的所述图像分别进行90度、180度和270度的翻转,并按照PASCAL VOC的命名规则重命名,将所有数据转换成VOC格式的数据集,同时,然后将数据集中划分出的训练集输入改进后的YOLO‑v3算法进行特征提取,并生成结节预测框和预测置信概率,提高检测精度。
Description
技术领域
本发明涉及医学图像处理技术领域,尤其涉及一种改进的YOLO-v3算法及其在肺结节检测中的应用。
背景技术
医学CT(Computed Tomography)是目前最常见和最有效的影像学检查之一,其通过X线准直***,得到的横断面图像清晰,层厚准确,密度分辨率高,无层面外结构干扰数据。随着医学CT的广泛应用,肺部CT影像数据呈“***式”增长,通常一个全肺CT包含100-500张肺部切面图像。再加上早期的肺部结节普遍有“体积小”、“边缘模糊”、“肉眼不容易分辨”的特点,因此从这些CT影像中识别出早期的肺部结节及其位置,极大增加了医师的工作量,并且对医师的专业水平和经验也提出了非常高的要求,而且判断结果也会因人而异,不同的医生判断结果可能会出现差异,因此需要一种对CT影像数据进行处理的方法,能有辅助医生快速准确识别肺部结节及其位置。
发明内容
本发明的目的在于提供一种改进的YOLO-v3算法及其在肺结节检测中的应用,提高检测精度。
为实现上述目的,第一方面,本发明提供了一种改进的YOLO-v3算法,包括以下步骤:
对检测框损失函数进行优化,并根据平均交并比对锚框进行优化;
对获取的数据集进行图像缩放,并将输入图像进行单元格划分和特征提取。
其中,对获取的数据集进行图像缩放,并将输入图像进行单元格划分和特征提取,包括:
对获取的数据集中的图像进行尺寸缩放,并将所述图像尺寸统一后,将所述图像划分为多个单元格,并对每个所述单元格进行目标识别检测。
其中,对获取的数据集进行图像缩放,并将输入图像进行单元格划分和特征提取,还包括:
对完成目标识别检测的所述单元格进行上采样,并与相邻残差块的输出特征进行结合,同时利用两层ResNet控制特征提取的输出。
第二方面,本发明提供一种改进的YOLO-v3算法在肺结节检测中的应用,所述改进的YOLO-v3算法应用于肺结节检测,包括以下步骤:
获取Luna16数据集,并对所述Luna16数据集中的图像进行预处理;
将预处理后的所述图像进行数据增强,并根据命名规则,转换为VOC格式;
将训练集输入所述改进的YOLO-v3算法进行特征提取,并生成结节预测框和预测置信概率。
其中,获取Luna16数据集,并对所述Luna16数据集中的图像进行预处理,包括:
根据空气、水和X射线的线性衰减系数,将获取的Luna16数据集中的CT预想灰度数值转换为HU值,并根据设定的阈值对所述HU值进行过滤,然后进行膨胀处理,得到对应的掩膜图。
其中,将预处理后的所述图像进行数据增强,并根据命名规则,转换为VOC格式,包括:
将预处理后的所述图像分别进行90度、180度和270度的翻转,并按照PASCALVOC的命名规则重命名,将所有数据转换成VOC格式的数据集,同时进行数据集的划分。
本发明的一种改进的YOLO-v3算法及其在肺结节检测中的应用,首先对YOLO-v3算法的检测框损失函数进行优化,并根据平均交并比对锚框进行优化;接着对获取的数据集进行图像缩放,并将输入图像进行单元格划分和特征提取,完成对YOLO-v3算法的改进;然后获取Luna16数据集,并对所述Luna16数据集中的图像进行预处理,所述预处理包括将CT图像灰度数值转换成HU值,然后生成掩膜,剔除干扰部分,使结节特征明显,最后归一化,统一大小;接着将预处理后的所述图像分别进行90度、180度和270度的翻转,并按照PASCALVOC的命名规则重命名,将所有数据转换成VOC格式的数据集,同时,然后将数据集中划分出的训练集输入改进后的YOLO-v3算法进行特征提取,并生成结节预测框和预测置信概率,提高检测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的一种改进的YOLO-v3算法的步骤示意图。
图2是本发明提供的一种改进的YOLO-v3算法在肺结节检测中的应用的步骤示意图。
图3是本发明提供的对图像进行预处理的流程图。
图4是本发明提供的改进的YOLO-v3结构示意图。
图5是本发明提供的对肺结节的检测结果示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
请参阅图1,本发明提供一种改进的YOLO-v3算法,包括以下步骤:
S101、对检测框损失函数进行优化,并根据平均交并比对锚框进行优化。
具体的,YOLO-v3网络中的检测框评价指标为交并比(IoU),该指标存在一些问题:由于IoU计算的是交并比,更能体现回归框的质量,但与常用的损失没有强相关性;如果两个对象不重叠,则loU值将为零,而在优化损失函数时,梯度为零,意味着无法优化;并且不会反映两个形状彼此之间的距离,也无法正确区分两个对象的对齐方式。这里将GIOU作为回归目标框的损失函数,其公式如下:
其中,A和B为任意大小的两个矩形框,C为能够同时包含A、B的最小矩形框,C\(A∪B)的面积为C的面积减去A∪B的面积。GIOU与IoU相似,除了具有尺度不变性之外,还具有作为一个度量标准的优良性质;包括非负性,同一性,对称性,以及三角不等式的性质。在A,B没有良好对齐时,会导致C的面积增大,从而使GIOU的值变小,而两个矩形框不重合时,依然可以计算GIOU,一定程度上解决了IoU不适合作为损失函数的问题。
YOLO-v3采用锚框作为初始的候选框,因此锚框的选择也至关重要。锚框与物体边界框不同,是由人们假想出来的一种框。先设定好锚框的大小和形状,再以图像上某一个点为中心画出矩形框。YOLO-v3中使用平均交并比(avg IoU)作为评价目标聚类分析的指标,其目标函数F可表示为:
其中,A表示真实的样本框,B表示聚类中心,n为样本个数,k为聚类中心个数,nk表示第k个聚类中心的样本个数,IIoU(A,B)表示两者的交并比。
依次计算聚类中心个数k从1到9的目标函数F的值,可以发现,当k=3时趋***缓,因此聚类中心有三个,改进聚类结果为(6,6),(11,10),(21,20),该聚类结果可根据数据集的实际情况作出相应调整。
S102、对获取的数据集进行图像缩放,并将输入图像进行单元格划分和特征提取。
具体的,将获取的数据集中的图片传入YOLO-v3网络中时,首先对输入图像进行缩放,寻找最适合YOLO-v3算法处理的图像尺寸,最终统一将输入图像调整成416×416的大小,为了防止图像失真,训练时会在图像的边缘加上灰条。
然后,YOLO-v3算法会将输入图像分成一定数量的M×M的单元格,每个单元格负责其右下角区域的检测,如果物体的中心点落在这个区域,这个物体的位置就由这个网格点来确定。如图4所示:将第三层残差块输出的特征图进行上采样,然后将上采样特征图与第二层残差块的输出拼接在一起,这样可以使前面的特征层映射到后面的特征层里面去,有助于训练和特征提取。
除此之外,为了克服由于网络加深而引起的梯度***和梯度消失的问题,在网络中加入两层ResNet结构,ResNet能有效分类图像和识别物体,因此能使改进后的整个网络对小结节的检测敏感度更高。
请参阅图2,本发明提供一种改进的YOLO-v3算法在肺结节检测中的应用,所述改进的YOLO-v3算法应用于肺结节检测,包括以下步骤:
S201、获取Luna16数据集,并对所述Luna16数据集中的图像进行预处理。
具体的,将原始的LIDC-IDRI数据集去除切片厚度大于3mm和肺结节小于3mm后的CT影像数据,得到Luna16数据集,所述Luna16数据集为Luna16数据集;原始图像为三维图像。每个图像包含一系列胸腔的多个轴向切片。三维图像由不同数量的二维图像组成,其中.mhd文件包含CT图像的基本信息,.raw文件存储着CT图像的具体数据。
然后对每个病人的CT图像(每个病人的图像信息包含一个.mhd文件和一个.raw文件)进行预处理。预处理包括将原始CT图像灰度数值转换成HU值,然后生成掩膜,剔除干扰部分,使结节特征明显,最后归一化,统一大小等。具体如图3所示:
1、将CT图像灰度数值转为HU值。HU值指的是人体组织器官对辐射的透光性,其计算公式如下:
其中,μ为线性衰减系数,和X射线强度有关。由于肺的HU值为-500左右,这里将值在[-1000,+400]内的区域保留(从空气到骨骼),超出此范围的区域就可以认为与肺部疾病检测无关而舍去。
2、根据HU值生成掩膜。这里采用阈值化操作,阈值T设置为HU=-600时的灰度值,这样水,空气基本就被过滤掉了,剩下的部分,进行膨胀处理,将肺部内部的小孔洞填上,就能生成掩膜图。
3、归一化处理。首先对像素值进行截断处理,截取到[-1200,600],小于-1200的设为-1200,大于600的设为600,然后再缩放至0~255,最后和掩膜图像相加,并将图片保存为.png格式。
4、调整大小。Luna16数据集切片后的大小为512×512,这里将其重新定义大小至416×416,缩放至最适合网络训练的尺寸。
S202、将预处理后的所述图像进行数据增强,并根据命名规则,转换为VOC格式。
具体的,考虑到Luna16数据集中均为有结节数据,可能会导致样本具有单一性,针对正负样本不平衡的问题,将正样本进行数据增强,分别从三个维度对部分数据进行90度、180度、270度的翻转。实际肺部结节的检测中可能因为操作方式和其他因素引入噪声,干扰图像,因此对部分数据进行高斯模糊。然后将所有数据按照PASCAL VOC的命名规则重命名,转换成VOC格式的数据集,训练集占比90%,测试集占比10%。
S203、将训练集输入所述改进的YOLO-v3算法进行特征提取,并生成结节预测框和预测置信概率。
具体的,将训练集数据输入到改进的YOLO-v3网络中进行特征提取,具体为:将VOC格式的数据集中的图片传入YOLO-v3网络中时,首先对输入图像进行缩放,寻找最适合YOLO-v3算法处理的图像尺寸,最终统一将输入图像调整成416×416的大小,为了防止图像失真,训练时会在图像的边缘加上灰条。
然后,YOLO-v3算法会将输入图像分成一定数量的M×M的单元格,每个单元格负责其右下角区域的检测,如果物体的中心点落在这个区域,这个物体的位置就由这个网格点来确定。对本发明来说,肺结节是最终需要检测或识别的目标,并且肺结节在肺部CT图像中又大多以小目标的形式存在,为提高CT图像中肺部小结节的检测效果,必须使网络获取更多小目标的特征信息。然后经过如第一实施例中的S102中的上采样等进行特征提取,改进后的YOLO-v3算法增加了对小目标的特征融合网络,因此对于小结节也会有较大敏感性,输出前加入了两层ResNet,不仅使改进后的整个网络对小结节的检测敏感度和准确率更高,而且也能够快速的识别出肺结节在CT图像中的位置,减少了对人工的依赖,并且能够避免因为人工识别而造成的检测精度的降低。除此之外,为了克服由于网络加深而引起的梯度***和梯度消失的问题,在网络中加入两层ResNet结构,ResNet能有效分类图像和识别物体,因此能使改进后的整个网络对小结节的检测敏感度更高。
最后,利用网络模型生成结节的预测框和预测置信概率。采用端到端的YOLO-v3目标检测深度学习网络,实现肺结节检测。该方法首先按一定规则在图片上产生一系列的候选区域,然后根据这些候选区域与图片上物体真实框之间的位置关系对候选区域进行标注,最后使用卷积神经网络提取图片特征并对候选区域的位置和类别进行预测,对肺部结节有较好的检测效果。
图5为本发明经过10000次对CT扫描图像训练后的检测结果(随机选取了其中3个样本的检测效果)。举例来说,如图5(a)中所示,“nodule:0.91”和“nodule:1.0”的含义为:该病例中检测出了两个肺结节,其中一个是肺结节的概率为91%,另一个是肺结节的概率是100%。该算法能帮助医生快速定位和识别病人肺结节所在的位置,为后续诊断提供便利的同时也极大的减少了医生的工作量。
本发明的一种改进的YOLO-v3算法及其在肺结节检测中的应用,首先对YOLO-v3算法的检测框损失函数进行优化,并根据平均交并比对锚框进行优化;接着对获取的数据集进行图像缩放,并将输入图像进行单元格划分和特征提取,完成对YOLO-v3算法的改进;然后获取Luna16数据集,并对所述Luna16数据集中的图像进行预处理,所述预处理包括将CT图像灰度数值转换成HU值,然后生成掩膜,剔除干扰部分,使结节特征明显,最后归一化,统一大小;接着将预处理后的所述图像分别进行90度、180度和270度的翻转,并按照PASCALVOC的命名规则重命名,将所有数据转换成VOC格式的数据集,同时,然后将数据集中划分出的训练集输入改进后的YOLO-v3算法进行特征提取,并生成结节预测框和预测置信概率,提高检测精度。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (6)
1.一种改进的YOLO-v3算法,其特征在于,包括以下步骤:
对检测框损失函数进行优化,并根据平均交并比对锚框进行优化;
对获取的数据集进行图像缩放,并将输入图像进行单元格划分和特征提取。
2.如权利要求1所述的改进的YOLO-v3算法,其特征在于,对获取的数据集进行图像缩放,并将输入图像进行单元格划分和特征提取,包括:
对获取的数据集中的图像进行尺寸缩放,并将所述图像尺寸统一后,将所述图像划分为多个单元格,并对每个所述单元格进行目标识别检测。
3.如权利要求2所述的改进的YOLO-v3算法,其特征在于,对获取的数据集进行图像缩放,并将输入图像进行单元格划分和特征提取,还包括:
对完成目标识别检测的所述单元格进行上采样,并与相邻残差块的输出特征进行结合,同时利用两层ResNet控制特征提取的输出。
4.一种改进的YOLO-v3算法在肺结节检测中的应用,所述改进的YOLO-v3算法应用于肺结节检测,其特征在于,包括以下步骤:
获取Luna16数据集,并对所述Luna16数据集中的图像进行预处理;
将预处理后的所述图像进行数据增强,并根据命名规则,转换为VOC格式;
将训练集输入所述改进的YOLO-v3算法进行特征提取,并生成结节预测框和预测置信概率。
5.如权利要求4所述的改进的YOLO-v3算法在肺结节检测中的应用,其特征在于,获取Luna16数据集,并对所述Luna16数据集中的图像进行预处理,包括:
根据空气、水和X射线的线性衰减系数,将获取的Luna16数据集中的CT预想灰度数值转换为HU值,并根据设定的阈值对所述HU值进行过滤,然后进行膨胀处理,得到对应的掩膜图。
6.如权利要求5所述的改进的YOLO-v3算法在肺结节检测中的应用,其特征在于,将预处理后的所述图像进行数据增强,并根据命名规则,转换为VOC格式,包括:
将预处理后的所述图像分别进行90度、180度和270度的翻转,并按照PASCALVOC的命名规则重命名,将所有数据转换成VOC格式的数据集,同时进行数据集的划分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011074796.7A CN112184684A (zh) | 2020-10-09 | 2020-10-09 | 一种改进的YOLO-v3算法及其在肺结节检测中的应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011074796.7A CN112184684A (zh) | 2020-10-09 | 2020-10-09 | 一种改进的YOLO-v3算法及其在肺结节检测中的应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112184684A true CN112184684A (zh) | 2021-01-05 |
Family
ID=73948295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011074796.7A Pending CN112184684A (zh) | 2020-10-09 | 2020-10-09 | 一种改进的YOLO-v3算法及其在肺结节检测中的应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112184684A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633066A (zh) * | 2020-11-20 | 2021-04-09 | 苏州浪潮智能科技有限公司 | 一种航拍小目标检测方法、装置、设备及存储介质 |
CN113299363A (zh) * | 2021-04-27 | 2021-08-24 | 西安理工大学 | 一种基于yolov5的皮肤科非处方药售药方法 |
CN113537211A (zh) * | 2021-06-21 | 2021-10-22 | 电子科技大学 | 一种基于非对称iou的深度学习车牌框定位方法 |
CN114387520A (zh) * | 2022-01-14 | 2022-04-22 | 华南农业大学 | 一种用于机器人采摘的密集李子精准检测方法及其*** |
CN115439686A (zh) * | 2022-08-30 | 2022-12-06 | 一选(浙江)医疗科技有限公司 | 一种基于扫描影像的关注对象检测方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110942446A (zh) * | 2019-10-17 | 2020-03-31 | 付冲 | 一种基于ct影像的肺结节自动检测方法 |
CN110969623A (zh) * | 2020-02-28 | 2020-04-07 | 北京深睿博联科技有限责任公司 | 一种肺部ct多征象自动检测方法、***、终端及存储介质 |
CN111127438A (zh) * | 2019-12-25 | 2020-05-08 | 昆明理工大学 | 基于改进yolo算法的肺部ct图像中结节检测方法 |
-
2020
- 2020-10-09 CN CN202011074796.7A patent/CN112184684A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110942446A (zh) * | 2019-10-17 | 2020-03-31 | 付冲 | 一种基于ct影像的肺结节自动检测方法 |
CN111127438A (zh) * | 2019-12-25 | 2020-05-08 | 昆明理工大学 | 基于改进yolo算法的肺部ct图像中结节检测方法 |
CN110969623A (zh) * | 2020-02-28 | 2020-04-07 | 北京深睿博联科技有限责任公司 | 一种肺部ct多征象自动检测方法、***、终端及存储介质 |
Non-Patent Citations (3)
Title |
---|
KEJIA XU等: "A New Object Detection Algorithm Based on YOLOv3 for Lung Nodules", 《ICCAI "20:PROCEEDINGS OF THE 2020 6TH INTERNATIONAL CONFERENCE ON COMPUTING AND ARTIFICIAL INTELLIGENCE》 * |
刘学平等: "嵌入SENet结构的改进YOLOV3目标识别算法", 《计算机工程》 * |
孙佳等: "基于改进的YOLOv3网络的实时目标检测", 《激光与光电子学进展》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633066A (zh) * | 2020-11-20 | 2021-04-09 | 苏州浪潮智能科技有限公司 | 一种航拍小目标检测方法、装置、设备及存储介质 |
CN113299363A (zh) * | 2021-04-27 | 2021-08-24 | 西安理工大学 | 一种基于yolov5的皮肤科非处方药售药方法 |
CN113537211A (zh) * | 2021-06-21 | 2021-10-22 | 电子科技大学 | 一种基于非对称iou的深度学习车牌框定位方法 |
CN113537211B (zh) * | 2021-06-21 | 2023-06-02 | 电子科技大学 | 一种基于非对称iou的深度学习车牌框定位方法 |
CN114387520A (zh) * | 2022-01-14 | 2022-04-22 | 华南农业大学 | 一种用于机器人采摘的密集李子精准检测方法及其*** |
CN114387520B (zh) * | 2022-01-14 | 2024-05-14 | 华南农业大学 | 一种用于机器人采摘的密集李子精准检测方法及其*** |
CN115439686A (zh) * | 2022-08-30 | 2022-12-06 | 一选(浙江)医疗科技有限公司 | 一种基于扫描影像的关注对象检测方法及*** |
CN115439686B (zh) * | 2022-08-30 | 2024-01-09 | 一选(浙江)医疗科技有限公司 | 一种基于扫描影像的关注对象检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3770850B1 (en) | Medical image identifying method, model training method, and computer device | |
CN112184684A (zh) | 一种改进的YOLO-v3算法及其在肺结节检测中的应用 | |
CN109447065B (zh) | 一种乳腺影像识别的方法及装置 | |
CN108898595B (zh) | 一种胸部图像中病灶区域的定位模型的构建方法及应用 | |
CN111539930A (zh) | 基于深度学习的动态超声乳腺结节实时分割与识别的方法 | |
CN109363698B (zh) | 一种乳腺影像征象识别的方法及装置 | |
CN109363699B (zh) | 一种乳腺影像病灶识别的方法及装置 | |
CN112132166B (zh) | 一种数字细胞病理图像智能分析方法、***及装置 | |
CN110992377B (zh) | 图像分割方法、装置、计算机可读存储介质和设备 | |
CN111340827A (zh) | 一种肺部ct影像数据处理分析方法及*** | |
CN112365973B (zh) | 基于对抗网络和Faster R-CNN的肺结节辅助诊断*** | |
EP1789920A1 (en) | Feature weighted medical object contouring using distance coordinates | |
CN112581458B (zh) | 一种图像处理方法和装置 | |
CN109363697B (zh) | 一种乳腺影像病灶识别的方法及装置 | |
Farag et al. | Automatic detection and recognition of lung abnormalities in helical CT images using deformable templates | |
Costaridou | Medical image analysis methods | |
CN109919254B (zh) | 乳腺密度分类方法、***、可读存储介质和计算机设备 | |
EP4118617A1 (en) | Automated detection of tumors based on image processing | |
CN113744183A (zh) | 肺结节检测方法及*** | |
US8983154B2 (en) | Method for identifying colon polyps in a computed tomography colonography dataset | |
CN111932495B (zh) | 一种医学图像检测方法、装置及存储介质 | |
CN113850328A (zh) | 基于多视角深度学习的非小细胞肺癌亚型分类*** | |
JP4651370B2 (ja) | 放射線画像処理の方法 | |
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 | |
CN112529918B (zh) | 一种脑部ct图像中脑室区域分割的方法、装置及设备 |
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: 20210105 |