《基于卷积神经网络的肺结节检测分析》2400字

基于卷积神经网络的肺结节检测分析目录TOC\o"1-2"\h\u18133基于卷积神经网络的肺结节检测分析 1272981.1结节检测模型 198891.1.1检测模型建立 1212821.1.2算法步骤 3261231.1.3评价指标 320777度，计算方式如图1.4和等式4-2所示。 3200971.2实验及结果分析 444371.2.1数据集 4295521.2.2实验环境 4316851.2.3参数设置 429491.2.4实验结果分析 51.1结节检测模型1.1.1检测模型建立YOLOv3[36]具有较高的检测速度以及准确率，在检测过程中，将一个单神经网络应用于整张图像，提取图像各个区域的特征信息，对每个区域的边界框进行预测，得到概率较高的区域就可以视为检测结果。YOLOv3[37]在YOLOv2上主要做了以下改进：（1）采用独立逻辑的分类器代替softmax分类器；（2）采用与金字塔相似的概念从多个尺度中提取特征；（3）采用新的基础网络架构Darknet-53（53个卷积层），并加入了残差网络。YOLOv3使用K-means聚类方法[38]得到9个不同大小的聚类中心，分别应用于3种尺度上进行预测，每种尺度预测3个不同大小的边界框。YOLOv3和GooLeNet网络[39]模型结构类似，都是以Darknet53为基础网络。尺度1的预测特征层大小是16×16，用于检测大目标；尺度2的预测特征层大小是32×32，用于检测中等目标；尺度3的预测特征层大小是64×64，用于检测小目标。YOLOv3_spp网络是在YOLOv3的基础上加以改进的，结构如图1.1所示，在Darknet53输出与预测层1之间加入了一个spp结构，如图1.2所示，实现了不同尺度的特征融合，丰富最终特征图的表达能力，从而提高检测准确率。其网络结构主要包括三部分：Darknet-53层、预测特征层和分类层。Darknet-53层：有53层卷积层，对图像进行特征提取，加入BN层对特征进行标准化，同时为了增加非线性，采用LeakyReLU激活函数。其中使用了残差学习技术，通过添加快捷键获取更多的浅层信息，加强网络的学习能力。预测特征层：Darknet-53层的输出通过快捷键连接后拼接，输入到预测特征层。分类层：将预测特征层的输出作为输入，通过卷积层产生模型的最终输出，最后一层通道数（Filters）大小为Filters=3×(classes+5)。其中classes是类别数。图1.1YOLOv3_spp网络模型结构图图1.2SPP结构图1.1.2算法步骤结节检测模型的算法步骤如下：首先加载数据，对肺部CT图像进行肺实质分割，得到肺实质图像；设置结节检测模型参数，将肺实质图像加载到结节检测模型中进行训练；增加迭代次数，保存最优的结节检测模型权重；将最优的模型权重加载到模型中对测试图像进行预测，得到检测结果，并与标签信息进行对比。1.1.3评价指标为了验证检测模型的准确性，对测试集的检测结果与标签信息进行对比，采用IoU（交并比）来判断预测是否正确。当IoU>0.5时预测正确，否则预测错误。其中IoU表示原标签边界框与预测边界框的重叠度，计算方式如图1.3和等式4-1所示；GIoU在IoU的基础上改进而来，对标签边界框与预测边界框的非重叠区域也有所关注，可以更好地反映两者的重合度，计算方式如图1.4和等式4-2所示。图1.3IoU计算示意图图1.4GIoU计算示意图 （4-1） （4-2）IoU损失和GIoU损失由等式4-3、等式4-4计算： （4-3） （4-4）准确率（Precision）、召回率（Recall）由等式4-5、等式4-6计算： （4-5） （4-6）其中，RT表示检测出的结节与标记结节位置相同的CT图像数目，FP表示检测出的结节与标记结节位置不同的CT图像数目，FN表示未检测出结节但标记存在结节的CT图像数目。1.2实验及结果分析1.2.1数据集本实验仍采用LUNA16公开数据集。在LUNA16数据集中选取了450张肺部CT图像，将其按80%、15%、5%的比例分为训练集、验证集和测试集，用于后续实验。1.2.2实验环境为了加快训练速度，本章实验的硬件环境是ubuntu20.04，CPU型号为Inter®Xeon（R）Sliver4114CPU@2.20GHz×40，内存64G，显卡型号为NVIDIAGeForceGTX1080Ti；软件环境使用语言为Python（Python3.6版本）。1.2.3参数设置在训练过程中，设置了六组实验，参数设置如表1.1所示。表1.1参数设置实验编号batchsize迭代次数14450023225003324500432700053212000632150001.2.4实验结果分析为了验证基于YOLOv3_spp网络的肺结节检测方法的有效性，设置不同的batchsize和迭代次数对结节检测模型进行训练。首先为了排除肺部CT图像中背景对肺结节检测的影响，对肺实质进行分割，只有在CT图像中提取出肺实质，才能够进一步更好的检测肺结节。本文采用阈值分割法对肺部CT进行肺实质分割，首先根据肺部和背景在灰度值上的差异，设定合适的阈值，扫描CT图像的像素点值进行比较，判断属于背景还是待提取的肺实质，产生二值图像，然后计算图像的连通域，获得最大连通域，采用腐蚀和膨胀操作分别滤除图像中的颗粒以及吞噬肺部区域的血管，去除黑色噪声，最后提取肺实质mask，通过掩码操作将肺实质分割出来，分割好的肺实质如图1.5所示。（a）原始CT图像（b）获得掩码（c）得到肺实质图1.5肺实质分割图像将切割好的肺实质图像与肺结节标签放入YOLOv3_spp网络模型训练，得到六组实验结果如图1.6至图1.11所示。（a）IoU=0.50时mAP曲线图（b）GIoU_Loss曲线图图1.6batchsize=4时迭代4500次训练结果（a）IoU=0.50时mAP曲线图（b）GIoU_Loss曲线图图1.7batchsize=32时迭代2500次训练结果（a）IoU=0.50时mAP曲线图（b）GIoU_Loss曲线图图1.8batchsize=32时迭代4500次训练结果（a）IoU=0.50时mAP曲线图（b）GIoU_Loss曲线图图1.9batchsize=32时迭代7000次训练结果（a）IoU=0.50时mAP曲线图（b）GIoU_Loss曲线图图1.10batchsize=32时迭代12000次训练结果（a）IoU=0.50时mAP曲线图（b）GIoU_Loss曲线图图1.11batchsize=32时迭代15000次训练结果由图1.6至图1.11可以看出，设置IoU=0.5。当batchsize=4时，迭代4500次，mAP=0.42，损失值在前100次迭代迅速下降，GIoU_Loss降到了0.8。而当batchsize=32时，迭代2500次，mAP=0.75，GIoU_Loss降到了0.8。batchsize表示在每次迭代过程中一次性最多放入的样本数量，增大batchsize，可以增加内存利用率，减少每次迭代运行次数，提高模型的优化程度和速度，同时减小训练震荡，但仍然需要根据运行机器的内存合理设置batchsize的大小。实验中将batchsize由4增大到32，加速了模型的优化，训练速度加快，准确率有所提高。当batchsize=32时再次迭代至4500次，mAP=0.85，GIoU_Loss降到了0.7。再次迭代至7000次，mAP=0.88，GIoU_Loss降到了0.6。迭代至12000次，mAP=0.9，GIoU_Loss降到了0.45。迭代至15000次，mAP=0.9，GIoU_Loss降到了0.38。可以看出随着迭代次数的增加，平均准确率不断提高至0.9，GIoU_Loss不断减小，并逐渐趋于收敛。最后将训练好的权重加载到模型中用于肺结节检测，得到图1.12所示的检测结果，可以看出，正确检测出了肺结