System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于图像处理,本专利技术涉及一种基于改进yolo算法的病灶检测方法、系统及存储介质。
技术介绍
1、随着医学影像技术和图像处理技术的快速发展,基于医学影像进行的病灶检测、病灶定位以及病灶分类等操作日益成为预防及治疗疾病的重要手段。在疾病的诊断过程中,快速且精准地确定医学影像中的病灶区域的具体位置是进行疾病诊断操作的基础前提,其重要性不言而喻。例如肺结核病作为一种以呼吸道为途径传染的疾病,其传染速度快,且患病初期若不能及时的检测出来并治愈,后期致死率极高。因此,在患病初期诊断出肺结核病灶极其重要。目前,专业放射科医生在应对正常大小的肺结核病灶诊断时就需要耗费巨大的精力,而对于微小的病灶,在繁重的工作下更容易被忽略。
2、现有的肺结核的诊断系统主要依托于通用的深度学习方法,由于在肺部影像中例如肺结节和空洞类型的肺结核病灶多为微小病灶,直接应用到医学图像容易导致漏检率高,检测效果差,此类辅助诊断系统甚至在一些存在微小病灶的病人上加大医生的精力投入。
技术实现思路
1、本专利技术的目的在于提供一种基于改进yolo算法的病灶检测方法、系统及存储介质,在yolov5的基本框架上进行改进,不仅提高了网络模型对于小目标病灶检测的准确度,而且拥有更高的召回率,能进一步辅助医生诊断微小病灶。
2、实现本专利技术目的的技术解决方案为:
3、一种基于改进yolo算法的病灶检测方法,包括以下步骤:
4、s01:确定需要确定病灶的医学图像;
6、s03:使用训练好的用于病灶检测的深度神经网络模型对图像进行病灶检测。
7、优选的技术方案中,所述步骤s01确定需要确定病灶的医学图像之前包括:
8、s11:使用训练好的u-net网络模型对病灶区域进行初步分割,得到粗略的病灶区域,通过数字图像处理技术连接最大连通区域,从而得到完整的病灶区域;
9、s12:对得到的病灶区域进行数据增强,所述数据增强包括旋转、平移、镜像、图片亮暗变换和高斯模糊;
10、图像旋转公式为,其中是原图像中的像素点坐标;是对应像素点经过旋转变换后输出图像像素点的坐标;为图像旋转角度;
11、图像平移公式为:,其中,为图像沿轴和轴方向的平移量;图像垂直镜像变换公式为:,图像水平镜像变换公式分别为:;其中,和分别代表图像的长度和宽度,为原图像坐标,为变换后的坐标。图像亮暗变换公式为:,其中为原图像像素,为输出图像像素,和表示像素位于第行和第列,参数和为增益和偏差参数,分别控制对比度和亮度;
12、高斯模糊变换公式为:,其中是模糊半径,是正态分布的标准偏差。
13、优选的技术方案中,所述步骤s02中所述改进后的主干网络包括卷积层、c3模块和双水平路由注意模块,在最后一个有效特征层后端衔接一个sppf模块获得来自不同尺寸池化核采集的特征信息,主干网络最后输出64×64、32×32和16×16三种尺度的特征图以供后续加强特征提取的头部网络使用。
14、优选的技术方案中,所述双水平路由注意模块在开始时使用了一个3x3的深度卷积来隐式编码相对位置信息,然后,依次应用扩展率为e的双层路由注意模块和2层mlp模块,分别进行跨位置关系和按位置嵌入,最后得到输出信息;所述双层路由注意模块的构建方法包括:
15、s21:区域划分和输入投影,给定一个二维输入特征映射,首先将其划分为s×s个不重叠区域,其中每个区域包含个特征向量。此时x变换为,之后通过线性映射获得,,:
16、,,
17、其中,为实数矩阵的集合,h、w为特征图的高和宽,c为通道数,,,分别是query,key,value的投影权重。
18、s22:带有向图的区域到区域路由,在粗粒度token上计算注意力权重,然后仅取其中的top k区域作为相关区域参与细粒度的运算。首先通过分别对q和k应用每个区域的平均值,导出区域级query和key,即和。然后,通过和转之间的矩阵乘法,导出区域间亲和图的邻接矩阵:
19、
20、可衡量两个区域在语义上的相关程度。接下来通过只保留每个区域的top-k连接来修剪亲和力图。具体而言,使用逐行topk算子导出路由索引矩阵:
21、
22、其中,的第i行包含第i个区域最相关区域的k个指标。
23、s23:token-to-token关注,将每个token最相关的topk粗粒度区域作为键和值参与最终的运算:
24、,
25、其中,,是聚集key和value的张量,然后,对聚集后的k-v使用注意力操作:
26、。
27、其中,表示使用深度可分离卷积进行参数化。
28、优选的技术方案中,所述步骤s02中病灶检测的深度神经网络模型使用nwd损失函数评价真实框和预测框的物体类别置信度损失,用于对融合后的高级语义特征进行回归计算,最终得到待检测病灶的预测矩形框,nwd损失函数通过高斯分布建模得到wasserstein距离度量,并根据wasserstein距离度量获取nwd损失函数。
29、优选的技术方案中,通过以下步骤构建边界框的高斯分布建模:
30、s51:对于水平边界框,其中,和分别表示中心坐标、宽度和高度,其内接椭圆方程为:
31、
32、其中,是椭圆的中心坐标,,是沿和轴的半轴长度,二维高斯分布的概率密度函数为:
33、
34、其中,、和表示高斯分布的坐标、均值向量和协方差矩阵;当满足时,椭圆方程将是二维高斯分布的密度等值线,因此,水平边界框建模为二维高斯分布,其中:
35、
36、此外,边界框a和b之间的相似性转换为两个高斯分布之间的分布距离。
37、优选的技术方案中,wasserstein距离度量的计算方法为:
38、对于两个二维高斯分布和,和之间的二阶wasserstein距离为:
39、
40、其中,是frobenius范数,、均值向量,、协方差矩阵;
41、对于从边界框和建模的高斯分布和,简化为:
42、;
43、其中,,,分别表示边界框a的中心坐标、宽度和高度,,和分别表示边界框b的中心坐标、宽度和高度。
44、优选的技术方案中,nwd损失函数计算公式为:
45、<本文档来自技高网...
【技术保护点】
1.一种基于改进YOLO算法的病灶检测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于改进YOLO算法的病灶检测方法,其特征在于,所述步骤S01确定需要确定病灶的医学图像之前包括:
3.根据权利要求1所述的基于改进YOLO算法的病灶检测方法,其特征在于,所述步骤S02中所述改进后的主干网络包括卷积层、C3模块和双水平路由注意模块,在最后一个有效特征层后端衔接一个SPPF模块获得来自不同尺寸池化核采集的特征信息,主干网络最后输出64×64、32×32和16×16三种尺度的特征图以供后续加强特征提取的头部网络使用。
4.根据权利要求1所述的基于改进YOLO算法的病灶检测方法,其特征在于,所述双水平路由注意模块在开始时使用了一个3x3的深度卷积来隐式编码相对位置信息,然后,依次应用扩展率为e的双层路由注意模块和2层MLP模块,分别进行跨位置关系和按位置嵌入,最后得到输出信息;所述双层路由注意模块的构建方法包括:
5.根据权利要求1所述的基于改进YOLO算法的病灶检测方法,其特征在于,所述步骤S02中病灶检测的深度神经网络模型
6.根据权利要求5所述的基于改进YOLO算法的病灶检测方法,其特征在于,通过以下步骤构建边界框的高斯分布建模:
7.根据权利要求5所述的基于改进YOLO算法的病灶检测方法,其特征在于,Wasserstein距离度量的计算方法为:
8.根据权利要求7所述的基于改进YOLO算法的病灶检测方法,其特征在于,NWD损失函数计算公式为:
9.一种基于改进YOLO算法的病灶检测系统,其特征在于,包括:
10.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被执行时实现权利要求1-8任一项所述的基于改进YOLO算法的病灶检测方法。
...【技术特征摘要】
1.一种基于改进yolo算法的病灶检测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于改进yolo算法的病灶检测方法,其特征在于,所述步骤s01确定需要确定病灶的医学图像之前包括:
3.根据权利要求1所述的基于改进yolo算法的病灶检测方法,其特征在于,所述步骤s02中所述改进后的主干网络包括卷积层、c3模块和双水平路由注意模块,在最后一个有效特征层后端衔接一个sppf模块获得来自不同尺寸池化核采集的特征信息,主干网络最后输出64×64、32×32和16×16三种尺度的特征图以供后续加强特征提取的头部网络使用。
4.根据权利要求1所述的基于改进yolo算法的病灶检测方法,其特征在于,所述双水平路由注意模块在开始时使用了一个3x3的深度卷积来隐式编码相对位置信息,然后,依次应用扩展率为e的双层路由注意模块和2层mlp模块,分别进行跨位置关系和按位置嵌入,最后得到输出信息;所述双层路由注意模块的构建方法包括:
5.根据权利要求1所述的基于改进yolo算法的...
【专利技术属性】
技术研发人员:鲁明丽,谢浩杰,徐本连,王明明,施健,顾苏杭,朱培逸,吴妹英,刘静,
申请(专利权)人:常熟理工学院,
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。