基于CAU⁃Net的肺部影像分割算法

在现有的医学图像分割网络中,U⁃Net已在肺部影像分割中成功应用。为了充分利用全卷积U⁃Net网络提取到的肺实质特征,改善肺分割的效果,提出一种融合通道注意力的CAU⁃Net肺分割算法。将通过跳跃连接网络融合的浅层和深层特征输入通道注意力,进行像素级别的特征权重分配以提升模型对特定特征信息的权重,让感受野内分割的主要特征更突出,网络层级对特征的学习更加专注。在Kaggle竞赛的肺分割数据集上进行了实验,所提算法在测试数据集的肺实质分割中精确率达99.4%,准确率达97.8%,相似度达96.9%,敏感度达99.1%,特异性达99.5%,结果表明,该算法能够对肺部区域进行有效分割。

YOLOv5⁃GC:一种用于自动检测肺结节的改进YOLOv5框架

肺癌已发展成为人类死亡率最高的癌症之一,肺结节是肺癌最重要的早期表现。随着肺部结节低剂量CT筛查的广泛开展,放射科医师的X线诊断工作量不断增加。基于深度学习的肺结节自动检测有效解决了主观性和疲劳性导致的误诊风险。为了进一步提高卷积神经网络模型对肺结节的检测效果,设计了一种改进的YOLOv5算法。首先,在所提出的方法中使用引入随机正则化思想的GELU激活函数。然后,在特征提取网络中加入CA注意机制,提高特征表达能力。其次,Ghost模块的引入减少了14.9%的参数数量,提升了19.7%的速度。最后,设计了小物检测层,提高了直径小于10 mm的微小肺结节的检测精度。实验在公开的LUNA16上进行。结果表明,与原始YOLOv5网络相比,所提方法的Precision从83.2%提高到87.5%,Recall从77.0%提高到86.8%,AP从81.0%提高到88.1%,改进后的YOLOv5网络具有更强的特征表达能力,速度快,能够有效提高肺小结节自动检测的灵敏度。

基于改进YOLOv7模型的肺结节检测

目的设计一种基于改进YOLOv7模型的肺结节检测算法。方法首先,在PAFPN结构中,引入轻量化上采样算子CARAFE,以提高肺结节检测精度。然后添加一个增强型小尺度检测层,增强对于小目标肺结节的检测性能,同时可减少训练的参数量,并降低模型复杂程度。在保证各项参数指标不变的情况下,对YOLOv5原模型算法和添加增强型小尺度检测层的YOLOv5模型算法、YOLOv7原模型算法和改进后YOLOv7模型算法进行消融实验;对改进点训练集总损失进行比较;用YOLOv7原模型算法和改进后YOLOv7模型算法对2张测试集图片进行推理,将其与近年来其他经典的肺结节检测算法Mask R-CNN、YOLOv3、YOLOv5s和YOLOv7对2张测试集图片进行比较。结果添加增强型小尺度检测层的YOLOv5模型算法精度比YOLOv5原模型算法提升了1.3%,召回率提高了3.5%,平均精度(mAP)上升了3.1%,参数量减少了25.3%,网络的复杂程度也有所减少。改进后YOLOv7模型算法mAP提高1.8%,参数量减少28.3%,模型复杂程度下降5 G。添加增强型小尺度检测层与替换特诊融合网络为轻量化上采样算子CARAFE算法在训练过程中的总损失最小。YOLOv7原模型算法精度较高,但是仍然出现了漏检与假阳性的情况,与预测图片1比较,YOLOv7原模型出现了漏检的情况;与预测图片2比较,YOLOv7原模型出现了假阳性的情况。而改进后YOLOv7模型对漏检情况和假阳性均得到了很好的改善;与经典模型算法比较,改进后YOLOv7模型算法的精度、召回率和mAP最高,分别为91.7%、89.1%、93.5%。结论改进YOLOv7模型具有更强的特征表达能力,参数量更少,能够有效提高肺结节的检测精度。