[发明专利]一种基于YOLOv4-CA-CBAM-K-means++-SIOU的肺结节检测方法

说明书

本发明公开了一种基于YOLOv4‑CA‑CBAM‑K‑means++‑SIOU的肺结节检测方法。采集公开肺部图像数据集LUNA16并进行处理；通过引入CA注意力机制，辅助检测网络捕获结节的位置信息和空间信息，这使得模型更准确地定位到感兴趣区域的目标，提升对肺结节的检测精度；通过引入CBAM注意力机制，辅助检测网络捕获在上采样和下采样过程中丢失的特征信息，以及提升检测网络特征提取能力；通过采用K‑means++聚类算法针对肺结节进行锚框优化，降低了漏检的概率；通过采用SIoU损失函数替换YOLOv4中的CIoU损失函数，SIoU损失函数相比于CIoU损失函数多考虑了两框之间的角度问题，提高了训练收敛的速度和检测精度。本发明将以上技术进行结合，实现了精准、快速、模型的计算复杂度低和计算资源消耗较小的肺结节检测。

技术领域

本发明涉及医学图像处理领域，具体涉及一种针对肺结节检测精度偏低、易错检及漏检、模型计算复杂度较高情况下的一种基于YOLOv4-CA-CBAM-K-means++-SIOU的肺结节检测方法，适用于肺结节检测。

背景技术

在计算机断层扫描（Computed Tomography，CT）成像上，早期肺癌表现为直径小于30mm的圆形或类圆形致密影，即肺结节。定期使用CT筛查高危人群可降低肺癌患者的死亡率，由于肺癌高危人群众多，无论是否有第二位读者的协助，定期筛查都可能给放射科医生和临床工作人员带来巨大的工作流程和工作量挑战，癌症诊断错误是最昂贵和最有害的诊断错误类型。相反，计算机辅助检测(CAD，computer aided detection))系统能通过减少阅读时间或充当第二阅读器来帮助放射科医生进行肺癌筛查。其中肺CAD系统中的肺结节检测是至关重要的步骤，它能够为医生提供第三方检测辅助意见，有效降低漏检和误检的风险。

基于CT图像检测肺结节的技术主要包括传统检测技术和基于深度学习技术。传统肺结节检测技术主要采用人工捕捉肺结节特征信息进行训练，存在步骤繁琐、速度慢、准确率低的缺点。随着深度学习技术在目标检测中得到了广泛的应用，其中基于回归分析的单阶段检测算法算法可以一步完成目标的定位和分类，实现端到端的检测。但是目前的肺结节检测技术仍面临着多个挑战，例如上采样(Upsample)和下采样(Downsample)可能会导致关键特征信息的丢失、难以精确捕捉结节的位置特征、以及损失函数需要优化等问题。这些因素综合起来，都可能导致肺结节检测精度不高。

发明内容

为了解决现有技术的上述问题，本发明在YOLOv4中插入坐标注意力机制(CA，Coordinate Attention)捕捉肺结节的位置信息，插入卷积块注意力机制模块（CBAM，Convolutional Block Attention Module）捕捉肺结节的特征信息，并采用K-means++聚类算法对目标进行锚框优化，使用三个聚类中心替换原来的九个聚类中心生成更适合LUNA16数据集肺结节检测的锚点框，最后采用SIoU损失函数优化损失函数，从而提高YOLOv4对肺结节的检测能力，提供了一种基于YOLOv4-CA-CBAM-K-means++-SIOU的肺结节检方法。

所述技术方案如下：

步骤1. 数据集的获取：

获取肺部CT图像数据，来源于公开数据集LUNA16；

步骤2. 数据集的处理：

将LUNA16数据集处理为VOC格式的数据集并进行肺实质分割以供后续检测网络使用，最后将LUNA16数据集中的1186张图像随机打散，并按照训练集：测试集：验证集为8：1：1进行划分；

步骤3. CSPDarknet53特征提取网络提取原始图像特征：

将原始图像输入到YOLOv4中，经过CSPDarknet53骨干网络（Backbone）提取图像的有效特征；

步骤4. YOLOv4检测框架中结合CA注意力机制：

在YOLOv4检测框架的CSPDarknet53-Conv3后引入CA注意力机制，捕捉肺结节的位置信息；