本发明专利技术公开了一种基于YOLOv5的肺结节检测与识别系统，包括图像预处理模块、特征提取模块、特征融合模块、检测识别模块；其中：图像预处理模块通过深度展开超分重建算法综合提升肺部CT图像画面质；特征提取模块将高分辨率CT图像送入肺结节检测网络的特征提取结构，使用多个卷积模块、自注意力机制模块与拉普拉斯内卷积模块的组合结构筛选出关键结节病灶的病理信息；特征融合模块，用于将得到的图像特征通过跨尺度坐标注意力权重融合结构实现高、低维语义和定位特征的跳跃链接融合；检测识别模块用于获得肺结节的定位、类别、尺寸信息。本发明专利技术使用基于深度学习的目标检测识别算法，实现对CT图像中肺结节的准确定位以及精准判别。现对CT图像中肺结节的准确定位以及精准判别。现对CT图像中肺结节的准确定位以及精准判别。
【技术实现步骤摘要】
基于YOLOv5的肺结节检测与识别系统
[0001]本专利技术涉及深度学习像目标检测技术与计算机辅助诊断领域，具体涉及一种肺结节检测与识别装置。
技术介绍
[0002]肺癌已成为世界上每年发病人数最高的恶性肿瘤，而且在不远的将来将稳居癌症死亡原因之首位。早期诊断和及时治疗是目前降低肺癌死亡率最有效的方法。肺结节作为肺癌患者早期的重要病理特征，快速准确地检测和识别肺结节并对癌变风险性等级进行判断具有极其重要的临床意义。
[0003]在临床实践中，影像医师通常通过观察CT图像中肺结节在位置、大小、密度、病灶周围情况等特征，同时结合临床资料以及影像诊断经验，对肺结节做出最终诊断。但是CT表现形式为灰度图像，人的肉眼通常只能分辨16个灰阶左右的图像，而计算机可以清楚分辨256个灰阶，这就导致肺结节内部某些征象仅从肉眼视觉上难以分辨，而深度学习模型在这方面具有更强的图像数据分析能力。随着人工智能识别肺结节软件的开发和优化，肺结节的检出率明显上升，但是也存在以下几个问题：
[0004](1)由于现阶段大多数基于深度学习的肺结节检测和识别系统过于注重提高检测的敏感度，将肺部细微组织或杂质依然判断为实际的肺结节。在追求高敏感度的同时也导致检测结果的假阳性率高，特异性和精确度甚至不及医生人工阅片效果。
[0005](2)目前大多数基于深度学习的肺结节检测网络虽然以极高的敏感度从原始CT图象中筛查出肺结节位置，可少有通过单一网络做到直接同时给出肺结节的位置信息和类型判断。
[0006](3)部分深度学习算法为了提高检测效果，使用大量传统肺结节检测方法作为预处理和铺垫，无法做到真正意义上的对CT图像的端到端检测，人为干预和准备环节过多。
技术实现思路
[0007]针对上述问题，本专利技术对YOLOv5目标检测网络模型进行优化，提出了一种基于YOLOv5的肺结节检测与识别系统。
[0008]本专利技术为了解决以上技术问题采用以下技术方案：
[0009]本专利技术提出一种基于YOLOv5的肺结节检测与识别系统，包括：
[0010]图像预处理模块，用于将输入端传入的肺部CT图像进行深度展开超分辨率重建DUSR，优化CT图像的画面质量得到高质量CT图像；
[0011]特征提取模块，用于将图像预处理模块得到的高质量CT图像进行特征提取，在YOLOv5网络框架结构的基础上，使用CBL模块替换原始的Focus模块，联合自注意力机制模块TF与拉普拉斯内卷积模块LINV，捕获肺结节图像的局部、全局特征并筛选出关键病灶的图像特征信息；
[0012]特征融合模块，用于将特征提取模块得到的图像特征信息进行特征融合，使用跨
尺度坐标注意力权重融合结构CAW
‑
Concat，通过跳跃链接的方式融合浅层网络的定位信息与深层网络的分类信息；
[0013]检测识别模块，用于将融合后的图像特征进行检测识别，使用三个独立的、检测尺寸范围不同的检测头检索结节病灶区域，获得CT图像中肺结节的定位信息、类别信息、尺寸信息。
[0014]进一步的，本专利技术所提出的基于YOLOv5的肺结节检测与识别系统，所述图像预处理模块，被配置以通过分辨率扩展、模糊改善、噪声去除优化CT图像的画面质量，具体如下：
[0015]首先根据式(1)建立起高、低质量图像之间的数学关系来模拟图像降质过程：
[0016][0017]其中，E(x)表示重建误差，公式第一项称为数据项，公式第二项为先验项，λ表示平衡两项间的一个超参数，x表示高分辨率图像，y表示低分辨率图像，k表示模糊核，s表示双三次下采样的倍数，Φ(x)表示先验知识噪声强度；σ表示一个微小的固定参数；
[0018]接着通过半二次分裂算法HQS展开最大后验概率推理，
[0019][0020]其中，z为引入的辅助变量，μ为惩罚因子，是一个用于控制z与x差值的超参数，通过HQS推理，获得由交替求解数据子问题和先验子问题组成的固定迭代次数；由于式(2)中第一项不受x的影响，第二项不受z的影响，而第三项与二者都有关，因此为了获得E
μ
(x,z)的最小值，再将其转化为两个子问题的k次迭代计算，具体为：
[0021][0022]其中z
k
表示求解与变量z相关部分取得最小值问题的第k次迭代，x
k
表示求解与变量x相关部分取得最小值问题的第k次迭代；
[0023]最后通过建立迭代递减的损失函数，使用神经网络进行监督学习求解这两个子问题，得到一个进行训练的端到端迭代网络对CT图像质量进行优化。
[0024]进一步的，本专利技术所提出的基于YOLOv5的肺结节检测与识别系统，在特征提取模块中：
[0025]首先，将YOLOv5的Backbone结构首层的Focus模块替换为CBL卷积模块，从图像预处理模块获得高分辨率重建后的图像中提取更多图像细节纹理特征，之后依次进行多个CBL卷积模块与C3卷积模块的交替卷积运算，不断挖掘图像深度特征信息；
[0026]然后，使用自注意力机制模块TF替换原始Backbone结构中最深层的C3卷积模块，TF模块利用1
×
1的Conv卷积进行特征图的通道压缩后输入多头自注意力机制MHSA计算单元，其输出结果通过Linear全连接层保证输出通道数与该结构最初输入通道数一致，与最初输入进行残差连接：
[0027]最后，使用拉普拉斯内卷积模块LINV替换YOLOv5的Neck中最浅层的C3卷积模块。
[0028]进一步的，本专利技术所提出的基于YOLOv5的肺结节检测与识别系统，使用拉普拉斯内卷积模块LINV替换YOLOv5的Neck中最浅层的C3卷积模块，拉普拉斯内卷积算子的计算原理如式(4)所示：
[0029][0030]针对输入特征图的每个像素(i,j)，采用拉普拉斯滤波器锐化处理后与原始像素点叠加的方式进行初始化为以并行运算结构通过上分支的两个卷积运算W0,W1和维度重建操作得到内卷积算子H
i,j
，通过下分支的Unfold操作在特征图中提取出对应位置上与内卷算子卷积尺寸一致的特征张量最后利用张量的对应位相乘运算与乘积结果自身张量的归一维相加操作得到内卷积结果，如式(5)所示：
[0031][0032]进一步的，本专利技术所提出的基于YOLOv5的肺结节检测与识别系统，特征融合模块中：
[0033]跨尺度坐标注意力权重融合结构在BackBone与Neck的特征融合连接处，首先通过坐标注意力机制增强Backbone结构中的肺结节定位特征，再与Neck结构中的肺结节分类特征进行拼接，最大程度上保证浅层网络所获取的关键定位信息通过信息筛选后，以独立特征的形式与深层网络进行交互；
[0034]Neck结构中不同层级网络所提取到的高维语义特征，在融合连接处采用式(6)所述的Weight
‑
Concat特征加权融合方式，保证关键分类信息的有效传递：
[本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于YOLOv5的肺结节检测与识别系统，其特征在于，包括：图像预处理模块，用于将输入端传入的肺部CT图像进行深度展开超分辨率重建DUSR，优化CT图像的画面质量得到高质量CT图像；特征提取模块，用于将图像预处理模块得到的高质量CT图像进行特征提取，在YOLOv5网络框架结构的基础上，使用CBL模块替换原始的Focus模块，联合自注意力机制模块TF与拉普拉斯内卷积模块LINV，捕获肺结节图像的局部、全局特征并筛选出关键病灶的图像特征信息；特征融合模块，用于将特征提取模块得到的图像特征信息进行特征融合，使用跨尺度坐标注意力权重融合结构CAW
‑
Concat，通过跳跃链接的方式融合浅层网络的定位信息与深层网络的分类信息；检测识别模块，用于将融合后的图像特征进行检测识别，使用三个独立的、检测尺寸范围不同的检测头检索结节病灶区域，获得CT图像中肺结节的定位信息、类别信息、尺寸信息。2.根据权利要求1所述的基于YOLOv5的肺结节检测与识别系统，其特征在于，所述图像预处理模块，被配置以通过分辨率扩展、模糊改善、噪声去除优化CT图像的画面质量，具体如下：S1、根据式(1)建立起高、低质量图像之间的数学关系来模拟图像降质过程：其中，E(x)表示重建误差，公式第一项称为数据项，公式第二项为先验项，λ表示平衡两项间的一个超参数，x表示高分辨率图像，y表示低分辨率图像，k表示模糊核，s表示双三次下采样的倍数，Φ(x)表示先验知识噪声强度；σ表示一个微小的固定参数；S2、通过半二次分裂算法HQS展开最大后验概率推理，其中，z为引入的辅助变量，μ为惩罚因子，是一个用于控制z与x差值的超参数，通过HQS推理，获得由交替求解数据子问题和先验子问题组成的固定迭代次数；为了获得E
μ
(x,z)的最小值，再将其转化为两个子问题的k次迭代计算，具体为：其中z
k
表示求解与变量z相关部分取得最小值问题的第k次迭代，x
k
表示求解与变量x相关部分取得最小值问题的第k次迭代；S3、通过建立迭代递减的损失函数，使用神经网络进行监督学习求解S2中两个子问题，得到一个进行训练的端到端迭代网络对CT图像质量进行优化。3.根据权利要求1所述的基于YOLOv5的肺结节检测与识别系统，其特征在于，在特征提取模块中：首先，将YOLOv5的Backbone结构首层的Focus模块...
【专利技术属性】
技术研发人员：卢兆林，陈俊哲，张良，刘向群，曹伟，常城，
申请(专利权)人：徐州市第一人民医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。