基于改进YOLOv4的乳腺肿块检测

乳腺癌的早期发现和治疗对提高患者生存率至关重要。针对乳房x线摄影图像中小肿块的特征提取难度大导致其常被漏诊的问题,提出了改进的YOLOv4乳腺肿块检测和分类方法。首先,采用递归特征金字塔作为特征融合模块,将特征金字塔网络提取的信息反馈到主干网络中进行重复利用,提高了小肿块的识别精度。其次,为了加快计算速度,节省计算成本,提出了一种改进的深度可分离卷积来代替主干网络中的标准卷积。最后,对改进模块做了消融实验并与其他传统目标检测算法进行了对比分析。实验结果表明,改进的YOLOv4乳腺肿块检测方法的mAP达到了95.48%,相较于原始YOLOv4算法提升了1.38%,每张图像的检测时间只需要31ms,缩短了12ms。

基于跨路径特征聚合的改进型YOLOv3乳腺肿块识别算法

针对基于深度学习的乳腺癌诊断中小肿块和互相遮挡肿块易被漏诊的问题,提出了一种用于乳腺肿块检测的改进型YOLOv3算法。首先,在特征融合模块中添加了自底向上的路径,并采用级联和跨层连接的方式充分利用底层特征信息,提高了小肿块的识别精度;其次,为了筛选出更精确的预测框,避免互相遮挡的肿块出现漏检的情况,在软非极大值抑制(Soft-NMS)算法中引入了距离交并比(DIoU)来抑制冗余的预测框。实验结果表明,所提乳腺肿块检测算法在检测小肿块和互相遮挡的肿块方面有较高的准确率和速度,平均均值精度(mAP@0.5)达到了96.1%,相比于YOLOv3提高了1.8个百分点,且每张钼靶图像的检测时间仅为28 ms。