基于改進(jìn)YOLO V3的肺結(jié)節(jié)檢測(cè)方法

王乾梁，石宏理

1.首都醫(yī)科大學(xué)生物醫(yī)學(xué)工程學(xué)院，北京100069；2.首都醫(yī)科大學(xué)臨床生物力學(xué)應(yīng)用基礎(chǔ)研究北京市重點(diǎn)實(shí)驗(yàn)室，北京100069

前言

根據(jù)2019年國(guó)家癌癥中心發(fā)布的全國(guó)癌癥病情統(tǒng)計(jì)數(shù)據(jù)，肺癌的發(fā)病率和死亡率仍位居首位，肺癌及相關(guān)惡性腫瘤的治療花費(fèi)超過(guò)2 200 億元，防控形勢(shì)十分嚴(yán)峻［1］。早期診斷和早期治療是降低肺癌死亡率的有效途徑。肺結(jié)節(jié)作為早期肺癌的重要病征，準(zhǔn)確檢測(cè)肺結(jié)節(jié)具有極其重要的臨床意義。臨床上一般通過(guò)觀察肺部CT 圖像進(jìn)行肺結(jié)節(jié)的診斷判別，但隨著醫(yī)療需求的快速增長(zhǎng)，CT圖像數(shù)據(jù)量不斷增加，醫(yī)師的診斷難度也不斷提高，憑借主觀經(jīng)驗(yàn)判斷容易出現(xiàn)錯(cuò)誤診斷。因此在CT 圖像診斷基礎(chǔ)上，利用人工智能技術(shù)輔助醫(yī)生做出更為客觀、準(zhǔn)確的判斷，顯得尤為必要。

傳統(tǒng)的計(jì)算機(jī)輔助肺結(jié)節(jié)檢測(cè)方法主要使用人工提取的特征進(jìn)行訓(xùn)練，存在步驟繁瑣、檢測(cè)精度不高和系統(tǒng)整體性能較差等問(wèn)題。隨著機(jī)器學(xué)習(xí)領(lǐng)域的快速發(fā)展，以卷積神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)方法廣泛應(yīng)用于目標(biāo)檢測(cè)領(lǐng)域：一種是基于候選區(qū)域的兩階段檢測(cè)算法，如Faster RCNN［2］和Mask RCNN［3］，另一種是基于回歸的一階段檢測(cè)算法，如YOLO系列［4-6］和SSD［7］，目前也有研究在嘗試將兩種方法結(jié)合起來(lái)使用［8］。其中，YOLO V3 作為YOLO系列的代表算法，在工程應(yīng)用領(lǐng)域使用廣泛，展現(xiàn)出良好的效果。但在應(yīng)用YOLO V3 算法處理肺部CT圖像時(shí)，存在目標(biāo)檢測(cè)精度不高等問(wèn)題，難以達(dá)到理想效果。針對(duì)以上問(wèn)題，本研究提出基于改進(jìn)YOLO V3的肺結(jié)節(jié)檢測(cè)方法，探究應(yīng)用YOLO V3進(jìn)行肺結(jié)節(jié)檢測(cè)的有效性和可行性。

1 YOLO V3算法

YOLO V3 的輸入圖像尺寸會(huì)被縮放或填充到416×416，再送入網(wǎng)絡(luò)提取特征。YOLO V3的網(wǎng)絡(luò)結(jié)構(gòu)如圖1 所示，主要由CBL 模塊和殘差單元（ResUnit）兩個(gè)結(jié)構(gòu)單元組成：CBL模塊由卷積層、批歸一化（Batch Normalization,BN）層［9］和Leaky ReLU激活函數(shù)層構(gòu)成，具體結(jié)構(gòu)如圖2a所示；殘差單元主要由借鑒Resnet［10］思想構(gòu)建的殘差模塊（Residual block）組成，殘差模塊具體結(jié)構(gòu)如圖2b 所示。1 個(gè)CBL模塊和多個(gè)殘差模塊組成1個(gè)殘差單元，殘差單元標(biāo)注的數(shù)字代表包含的殘差模塊數(shù)量，每個(gè)殘差單元進(jìn)行一次下采樣。

圖1 YOLO V3網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 YOLO V3 network structure

圖2 YOLO V3的結(jié)構(gòu)單元Fig.2 Structural unit of YOLO V3

YOLO V3 在檢測(cè)網(wǎng)絡(luò)上使用特征金字塔網(wǎng)絡(luò)（Feature Pyramid Network,FPN）［11］結(jié)構(gòu)將不同尺度的特征圖融合，并在5次下采樣中后3次輸出的特征圖上進(jìn)行檢測(cè)。YOLO V3將圖像分別劃分為13×13、26×26、52×52共3種尺度的網(wǎng)格單元，每個(gè)網(wǎng)格單元負(fù)責(zé)預(yù)測(cè)中心坐標(biāo)落入其中的目標(biāo)類別。同時(shí)，YOLO V3算法使用錨框（Anchor）機(jī)制，通過(guò)K均值聚類（Kmeans）算法在3種尺度上各預(yù)設(shè)3個(gè)先驗(yàn)框，每種尺度的每個(gè)網(wǎng)格單元使用先驗(yàn)框進(jìn)行預(yù)測(cè)。生成的大量預(yù)測(cè)框使用非極大值抑制（Non-Maximum Suppression,NMS）［12］算法進(jìn)行篩選，從而得到目標(biāo)檢測(cè)框。因?yàn)閅OLO V3在檢測(cè)準(zhǔn)確度和檢測(cè)速度兩方面都有很好表現(xiàn)，實(shí)現(xiàn)步驟簡(jiǎn)單，能夠滿足實(shí)時(shí)檢測(cè)要求，所以YOLO V3在工程應(yīng)用領(lǐng)域常作為首選算法。

2 改進(jìn)的YOLOV3模型

由于CT 圖像中肺結(jié)節(jié)所占面積較小、樣本數(shù)據(jù)不平衡且形狀不規(guī)則，直接使用YOLO V3 算法應(yīng)用于肺結(jié)節(jié)檢測(cè)時(shí)，會(huì)產(chǎn)生小目標(biāo)定位不精確和檢測(cè)準(zhǔn)確率低等問(wèn)題。在進(jìn)行網(wǎng)絡(luò)模型訓(xùn)練時(shí)，較為復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)和3個(gè)尺度特征圖生成的大量預(yù)測(cè)框，都會(huì)產(chǎn)生龐大的計(jì)算量，影響網(wǎng)絡(luò)模型的訓(xùn)練過(guò)程。在使用深度學(xué)習(xí)方法解決肺結(jié)節(jié)這樣的小目標(biāo)檢測(cè)問(wèn)題時(shí)，需要使用高分辨率的特征圖進(jìn)行預(yù)測(cè)，對(duì)于肺結(jié)節(jié)的不規(guī)則形狀則需要提取不同尺度的特征信息和擴(kuò)大淺層特征圖感受野，以豐富提取的特征信息。同時(shí)，提升肺結(jié)節(jié)目標(biāo)預(yù)測(cè)框的定位精度也尤為關(guān)鍵?；谝陨蠋c(diǎn)的改進(jìn)思路，本研究針對(duì)YOLO V3 提出的改進(jìn)方法主要從兩個(gè)方面進(jìn)行：一是針對(duì)肺結(jié)節(jié)的目標(biāo)檢測(cè)任務(wù)修改YOLO V3的基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)，在骨干網(wǎng)絡(luò)上增減殘差單元中殘差模塊數(shù)量，提取更多的小目標(biāo)特征信息；修改YOLO V3的檢測(cè)網(wǎng)絡(luò)結(jié)構(gòu)，只使用8倍下采樣的輸出特征圖作為檢測(cè)尺度，降低訓(xùn)練時(shí)產(chǎn)生的計(jì)算量；使用Mish激活函數(shù)［13］替換Leaky ReLU 激活函數(shù)，提高網(wǎng)絡(luò)模型的準(zhǔn)確性和泛化性；加入含有空洞卷積的感受野模塊（Receptive Field Block，RFB）層，融合不同尺度特征并擴(kuò)大特征圖感受野，提升檢測(cè)精度。二是修改YOLO V3 的損失函數(shù)，使用CIOU 損失函數(shù)［14］提升邊框回歸的收斂速度，提高預(yù)測(cè)框的定位精度。

2.1 改進(jìn)的基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)

對(duì)于YOLO V3 的骨干網(wǎng)絡(luò)，為了降低網(wǎng)絡(luò)深度減少參數(shù)計(jì)算量、防止訓(xùn)練過(guò)程中產(chǎn)生過(guò)擬合問(wèn)題，并提取更多的小目標(biāo)特征信息，本研究增加了第2個(gè)殘差單元的殘差模塊數(shù)量，減少了第3、4、5個(gè)殘差單元的殘差模塊數(shù)量。同時(shí)本研究考慮到訓(xùn)練數(shù)據(jù)集的圖像尺寸，將網(wǎng)絡(luò)模型的圖像輸入尺寸設(shè)置為512×512，不再對(duì)圖像尺寸進(jìn)行縮放或者填充。對(duì)于檢測(cè)網(wǎng)絡(luò)，YOLO V3使用32倍和16倍下采樣輸出特征圖對(duì)肺結(jié)節(jié)進(jìn)行檢測(cè)時(shí)，語(yǔ)義信息丟失嚴(yán)重，不能準(zhǔn)確定位肺結(jié)節(jié)。考慮到使用不同分辨率特征圖，生成預(yù)測(cè)框時(shí)所產(chǎn)生的參數(shù)計(jì)算量和內(nèi)存使用量，本研究選擇使用8 倍下采樣的輸出特征圖作為檢測(cè)尺度，并使用Kmeans 算法在訓(xùn)練數(shù)據(jù)集上計(jì)算得到3個(gè)預(yù)設(shè)先驗(yàn)框。

2.2 使用Mish激活函數(shù)

神經(jīng)網(wǎng)絡(luò)模型中的激活函數(shù)負(fù)責(zé)將神經(jīng)元的輸入映射到輸出端，增加非線性變化，提高網(wǎng)絡(luò)模型的表達(dá)能力，從而能夠?qū)崿F(xiàn)深度網(wǎng)絡(luò)結(jié)構(gòu)。本研究選擇使用的激活函數(shù)為Mish 激活函數(shù)，其表達(dá)式如式（1）所示。結(jié)合圖3 可知，Mish 函數(shù)是一種非單調(diào)的激活函數(shù)，不會(huì)產(chǎn)生梯度消失，較Leaky ReLU激活函數(shù)更為平滑，具有更好的準(zhǔn)確度和泛化能力。

圖3 Mish激活函數(shù)曲線Fig.3 Mish activation function

使用Mish 激活函數(shù)后組成新的網(wǎng)絡(luò)結(jié)構(gòu)單元CBM 模塊，由卷積層、批歸一化層和Mish 激活函數(shù)層構(gòu)成，如圖4所示。

圖4 CBM模塊Fig.4 CBM block

2.3 改進(jìn)的RFB層

為了增強(qiáng)特征信息的提取，本研究在網(wǎng)絡(luò)結(jié)構(gòu)中引入RFBNet 算法［15］提出的RFB 層。RFB 在空間金字塔池化（Spatial Pyramid Pooling, SPP）［16］模塊的實(shí)現(xiàn)思路上，模仿人類視覺(jué)系統(tǒng)進(jìn)行設(shè)計(jì)，能夠融合不同尺度的特征圖并擴(kuò)大輸出特征圖的感受野，獲取更為全面的特征信息，提升判斷結(jié)節(jié)位置的準(zhǔn)確性。RFB結(jié)構(gòu)如圖5所示，基于Inception模塊［17］的網(wǎng)絡(luò)結(jié)構(gòu)，加入了不同膨脹率的空洞卷積［18］。在分支中使用的卷積核越大其空洞卷積的膨脹率越大，其中膨脹率代表卷積核中的間隔距離。RFB 首先在各個(gè)分支上使用1×1 卷積層降低特征圖的通道數(shù)，3 個(gè)分支的空洞卷積的膨脹率依次為1、3、5。然后通過(guò)Concate 拼接操作將不同尺度特征圖融合，最后使用1×1卷積層和Add拼接操作實(shí)現(xiàn)跨通道的特征融合。

圖5 RFB層結(jié)構(gòu)Fig.5 Receptive field block structure

本研究在應(yīng)用時(shí)將第2 個(gè)分支中1×1 卷積層后的3×3 卷積層替換為1×3 和3×1 卷積層，第3 個(gè)分支中1×1 卷積層后的5×5 卷積層替換為兩個(gè)3×3 卷積層，使其在不改變感受野的情況下，減少參數(shù)量并增加非線性映射能力，有效提升網(wǎng)絡(luò)的推理能力。

綜合以上改進(jìn)思路，本研究所提出方法使用的網(wǎng)絡(luò)模型結(jié)構(gòu)如圖6所示。

圖6 改進(jìn)的YOLO V3網(wǎng)絡(luò)結(jié)構(gòu)Fig.6 Improved YOLO V3 network structure

2.4 改進(jìn)的損失函數(shù)

損失函數(shù)在深度學(xué)習(xí)方法中用來(lái)評(píng)估預(yù)測(cè)的輸出值與實(shí)際值之間的差距，以提升算法的運(yùn)行情況。YOLO V3 的損失函數(shù)對(duì)于預(yù)測(cè)框回歸損失值、目標(biāo)置信度損失值和目標(biāo)類別損失值進(jìn)行計(jì)算。

在進(jìn)行預(yù)測(cè)框回歸運(yùn)算時(shí)，使用交并比（Intersection over Union, IOU）判別預(yù)測(cè)框與標(biāo)注框的位置差距，計(jì)算式如式（2）所示，B和Bgt分別代表預(yù)測(cè)框和標(biāo)注框。常用IOU 損失函數(shù)對(duì)于邊框回歸損失值進(jìn)行計(jì)算，但分析式（2）中的IOU 損失函數(shù)可以發(fā)現(xiàn)，面對(duì)預(yù)測(cè)框與標(biāo)注框無(wú)重疊或者重疊面積大小一致等情況時(shí)，IOU 不能給出優(yōu)化方向，存在局限性。

本研究使用CIOU 損失函數(shù)計(jì)算預(yù)測(cè)框邊框回歸損失值，CIOU損失函數(shù)計(jì)算式如式（3）所示：

式中，b和bgt代表預(yù)測(cè)框和標(biāo)注框的中心位置坐標(biāo)，ρ代表計(jì)算兩框中心位置的歐幾里得距離，c代表計(jì)算包含預(yù)測(cè)框和標(biāo)注框的最小矩形的對(duì)角線長(zhǎng)度，αυ是考慮預(yù)測(cè)框和標(biāo)注框?qū)捀咔闆r的懲罰項(xiàng)。其中：

式中，α為權(quán)重參數(shù)，υ代表考慮預(yù)測(cè)框和標(biāo)注框?qū)捀咔闆r的計(jì)算項(xiàng)。

使用CIOU 損失函數(shù)后，進(jìn)行邊框回歸時(shí)面對(duì)預(yù)測(cè)框和標(biāo)注框兩框重疊面積相等、不相交及相包含等情況時(shí)，仍可以給出優(yōu)化方向，使得預(yù)測(cè)框不斷向標(biāo)注框中心點(diǎn)靠近，加快網(wǎng)絡(luò)訓(xùn)練的收斂速度。

3 實(shí)驗(yàn)

3.1 數(shù)據(jù)預(yù)處理

本研究使用的圖像數(shù)據(jù)來(lái)自LIDC-IDRI 數(shù)據(jù)集［19］，數(shù)據(jù)集共收錄1 018 個(gè)研究實(shí)例，每個(gè)研究實(shí)例由胸部醫(yī)學(xué)圖像文件和4 位醫(yī)師標(biāo)注的肺結(jié)節(jié)病變信息組成。在讀取圖像文件頭信息進(jìn)行重新排序和重采樣等預(yù)處理操作后，從中篩選出有至少3位醫(yī)師標(biāo)注且標(biāo)注結(jié)節(jié)信息一致的CT 圖像共6 712 張，組成實(shí)驗(yàn)使用的圖像數(shù)據(jù)集。

肺結(jié)節(jié)所占CT 圖像比例較小，存在樣本不均衡問(wèn)題。為減少背景區(qū)域的干擾以提升檢測(cè)性能，對(duì)得到的圖像數(shù)據(jù)集進(jìn)行肺實(shí)質(zhì)分割處理。本研究采用閾值分割和形態(tài)學(xué)處理相結(jié)合的方法對(duì)圖像數(shù)據(jù)集進(jìn)行肺實(shí)質(zhì)分割：首先選取合理閾值對(duì)于CT 圖像進(jìn)行二值化處理，形態(tài)學(xué)處理消除邊緣噪聲，然后對(duì)比和保留兩塊最大的連通區(qū)域，再進(jìn)行開閉運(yùn)算的形態(tài)學(xué)處理填充孔洞，最后通過(guò)得到的掩膜割取肺實(shí)質(zhì)圖像，組成訓(xùn)練數(shù)據(jù)集。過(guò)程可視化如圖7所示。

圖7 肺實(shí)質(zhì)分割可視化Fig.7 Visualization of lung parenchyma segmentation

對(duì)于處理后的訓(xùn)練數(shù)據(jù)集進(jìn)行角度翻轉(zhuǎn)和添加高斯噪聲等數(shù)據(jù)增強(qiáng)操作，將數(shù)據(jù)集擴(kuò)充6倍。再將數(shù)據(jù)增強(qiáng)后的訓(xùn)練數(shù)據(jù)集分成10 份，1 份作為測(cè)試集，其余圖像數(shù)據(jù)送入網(wǎng)絡(luò)進(jìn)行訓(xùn)練。用于訓(xùn)練的數(shù)據(jù)集再分為10 份，1 份作為驗(yàn)證集，其余9 份作為訓(xùn)練集。

3.2 實(shí)驗(yàn)環(huán)境配置和實(shí)驗(yàn)評(píng)價(jià)標(biāo)準(zhǔn)

網(wǎng)絡(luò)模型基于后端為TensorFlow 的Keras 神經(jīng)網(wǎng)絡(luò)庫(kù)實(shí)現(xiàn)，使用的Python 版本為3.6，TensorFlow-GPU 版本為1.13.1，Keras 版本為2.2.4。網(wǎng)絡(luò)模型訓(xùn)練使用Adam 優(yōu)化算法，批次大小為32，初始學(xué)習(xí)率為0.001，在NVIDIA Quadro P6000顯卡上完成訓(xùn)練。

在網(wǎng)絡(luò)模型訓(xùn)練完成后，使用測(cè)試集驗(yàn)證網(wǎng)絡(luò)模型的肺結(jié)節(jié)檢測(cè)性能。根據(jù)測(cè)試集結(jié)果，計(jì)算目標(biāo)檢測(cè)常用評(píng)價(jià)指標(biāo)準(zhǔn)確率（Precision）和召回率（Recall），其中IOU閾值設(shè)定為0.5。由于通過(guò)準(zhǔn)確率和召回率并不能完整評(píng)估模型性能，本研究進(jìn)一步通過(guò)召回率-準(zhǔn)確率曲線，計(jì)算得到精度檢測(cè)指標(biāo)AP（Average Precision）。為了更全面評(píng)價(jià)檢測(cè)效果，本研究選擇計(jì)算敏感度（Sensitivity）數(shù)據(jù)以評(píng)價(jià)肺結(jié)節(jié)的檢出情況。以計(jì)算得到的AP 值和敏感度數(shù)據(jù)兩項(xiàng)指標(biāo)綜合評(píng)價(jià)實(shí)驗(yàn)方法的肺結(jié)節(jié)檢測(cè)性能。

3.3 實(shí)驗(yàn)結(jié)果

為了充分驗(yàn)證改進(jìn)方法的肺結(jié)節(jié)檢測(cè)性能，進(jìn)行兩組對(duì)比實(shí)驗(yàn)：第1組實(shí)驗(yàn)對(duì)于不同組合的改進(jìn)方法進(jìn)行對(duì)比實(shí)驗(yàn)，驗(yàn)證本研究所提出方法的可行性，并直觀展示不同組合的改進(jìn)方法是如何提升網(wǎng)絡(luò)模型的檢測(cè)性能；第2組實(shí)驗(yàn)將本研究所提出的方法與其他深度學(xué)習(xí)檢測(cè)方法進(jìn)行對(duì)比，驗(yàn)證本研究方法的有效性。

3.3.1 使用不同改進(jìn)方法的對(duì)比實(shí)驗(yàn)結(jié)果在改進(jìn)的YOLO V3 基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)上，搭建不同組合的改進(jìn)方法的網(wǎng)絡(luò)模型，測(cè)試這些改進(jìn)方法對(duì)肺結(jié)節(jié)檢測(cè)性能的提升效果。實(shí)驗(yàn)結(jié)果如表1所示。

表1 不同改進(jìn)方法的實(shí)驗(yàn)結(jié)果對(duì)比Tab.1 Experimental results comparison among different modified methods

在相同的實(shí)驗(yàn)環(huán)境下，從前4個(gè)實(shí)驗(yàn)的結(jié)果可以看出，激活函數(shù)的替換、加入RFB 層和修改損失函數(shù)這3 種改進(jìn)方法的實(shí)驗(yàn)結(jié)果均在兩項(xiàng)檢測(cè)指標(biāo)上取得了一定提升，表明針對(duì)YOLO V3 的改進(jìn)思路是有效的，所提出的改進(jìn)方法能夠提升肺結(jié)節(jié)的檢測(cè)效果。從后4個(gè)實(shí)驗(yàn)的結(jié)果可以看出，改進(jìn)的損失函數(shù)對(duì)于肺結(jié)節(jié)檢測(cè)性能的提升起到了較為重要的作用，在不同組合的改進(jìn)方法中明顯提升了肺結(jié)節(jié)檢測(cè)的AP 值和敏感度，明使用CIOU 損失函數(shù)能夠更好地定位肺結(jié)節(jié)。同時(shí)，應(yīng)用RFB層加CIOU損失函數(shù)的改進(jìn)方法相比單獨(dú)應(yīng)用CIOU 損失函數(shù)的改進(jìn)方法，提升了3.78%的AP 值和2.49%的敏感度，與其他不同組合的改進(jìn)方法相比表現(xiàn)更好，表明能夠更好地提取肺結(jié)節(jié)特征信息。本研究所提出的改進(jìn)方法結(jié)合了以上方法的優(yōu)點(diǎn)，能夠顯著提升模型的檢測(cè)性能，對(duì)于肺結(jié)節(jié)檢測(cè)具有可行性。

3.3.2 其他深度學(xué)習(xí)方法的對(duì)比實(shí)驗(yàn)結(jié)果本實(shí)驗(yàn)引入Faster RCNN 和SSD 深度學(xué)習(xí)方法進(jìn)行對(duì)比實(shí)驗(yàn)，在進(jìn)行網(wǎng)絡(luò)訓(xùn)練時(shí)設(shè)置相同的隨機(jī)數(shù)種子，保證圖像訓(xùn)練數(shù)據(jù)的一致性和實(shí)驗(yàn)的可重復(fù)性。實(shí)驗(yàn)結(jié)果如表2所示。

表2 本研究方法與其他檢測(cè)方法的實(shí)驗(yàn)結(jié)果比較Tab.2 Experimental results comparison of the proposed method and other detection methods

從實(shí)驗(yàn)結(jié)果可知，在相同的實(shí)驗(yàn)環(huán)境下，本研究方法在測(cè)試集的AP 值和敏感度兩項(xiàng)評(píng)價(jià)標(biāo)準(zhǔn)上均取得更好的結(jié)果，優(yōu)于Faster RCNN 和SSD，能夠更準(zhǔn)確地定位結(jié)節(jié)。同時(shí)相對(duì)于Faster RCNN 耗時(shí)較長(zhǎng)的訓(xùn)練過(guò)程，本研究方法的處理過(guò)程簡(jiǎn)單直接，更適應(yīng)于大量圖像數(shù)據(jù)的檢測(cè)需求。由此表明，本研究所提出的方法與其他深度學(xué)習(xí)檢測(cè)方法相比，在肺結(jié)節(jié)檢測(cè)中表現(xiàn)出更好效果。

4 討論

本研究針對(duì)使用深度學(xué)習(xí)方法在CT 圖像中進(jìn)行肺結(jié)節(jié)檢測(cè)時(shí)遇到的問(wèn)題，基于改進(jìn)的YOLO V3提出一種肺結(jié)節(jié)檢測(cè)方法：首先進(jìn)行肺實(shí)質(zhì)分割等預(yù)處理；然后修改基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)，替換激活函數(shù)，引入含有空洞卷積的RFB 層，提高肺結(jié)節(jié)特征提取能力；最后修改損失函數(shù)，提高對(duì)于肺結(jié)節(jié)的定位精度。該檢測(cè)方法經(jīng)過(guò)與其他深度學(xué)習(xí)檢測(cè)方法的對(duì)比實(shí)驗(yàn)，得到88.89%的準(zhǔn)確率和94.73%的高敏感度，能夠有效提升肺結(jié)節(jié)的檢測(cè)效果，這表明所提出的方法在肺結(jié)節(jié)檢測(cè)上具有可行性和有效性。但距離實(shí)際應(yīng)用仍有一定差距，下一步將擴(kuò)大研究范圍，貼合臨床工作實(shí)際要求去改進(jìn)檢測(cè)方法，進(jìn)一步提升對(duì)肺結(jié)節(jié)的檢測(cè)性能。