本发明涉及图像检测,具体涉及一种基于yolov8的肺结节图像检测方法。
背景技术:
1、肺癌是一种严重危害人类健康的恶性肿瘤,对其进行早期诊断、及时干预是改善其临床疗效的关键。当前,肺结节的诊断技术有ct、x射线胸片和核磁等。其中,ct因其分辨率高、敏感性高和特异性强而被广泛应用于临床。传统的肺结节检测方法主要依赖于医生的经验和肉眼观察,存在诊断时间长、效率低、易出错等问题。随着计算机及影像处理技术的进步,通过对ct影像的自动化或半自动化分析,可以对肺结节进行自动识别与定位,从而极大地提升了肺癌的早期筛查效率与准确度。
2、近年来,基于深度学习的医疗影像分析方法得到了广泛的应用。在这些研究中,利用卷积神经网络进行肺结节识别是目前最主要的一种方法。传统的基于卷积神经网络的对象检测方法主要有faster r-cnn,yolo,ssd等。这些算法可以通过训练模型实现对肺结节的自动检测和定位,大大提高肺癌早期筛查和诊断的准确性和可靠性。其中,yolo技术是一种高效、快速、精确的检测方法,但仍面临诸多问题与挑战。比如,很难发现小的肺结节;肺动脉、淋巴结和骨骼等影响容易引起漏诊或误诊;在提高检测速度的情况下,其准确度也有所下降。因此,如何对其进行建模与算法的改进,以提升其准确性与稳健性是亟待解决的问题。
技术实现思路
1、本发明提供了一种基于yolov8的肺结节图像检测方法,以解决现有技术中较小的肺结节容易被遗漏、准确度低、检测速度慢的技术问题。
2、本发明提供了一种基于yolov8的肺结节图像检测方法,包括如下步骤:
3、步骤1:获取肺部图像数据集,并对肺部图像数据集进行预处理;
4、步骤2:对步骤s1预处理好的肺部图像进行肺实质分割;
5、步骤3:在yolov8模型的主干网络中的c2f卷积模块之后增加nr-sca模块,其中,nr-sca模块包括:高斯滤波器、坐标注意力机制、空间注意力机制;输入nr-sca模块的数据经高斯滤波器后分别进入坐标注意力机制、空间注意力机制,坐标注意力机制、空间注意力机制的输出分别与高斯滤波器的输出进行元素乘积,乘积结果进行拼接融合作为nr-sca模块的输出;
6、步骤4:将nwd损失函数的尺寸相似度公式和ciou损失函数的iou相似度公式加权后作为yolov8模型的损失函数;
7、步骤5:通过步骤2获取的肺部图像对构建的yolov8模型进行训练,并通过训练好的yolov8模型对肺结节图像进行检测。
8、进一步地,所述步骤3中,nr-sca模块的输出为:
9、
10、式中,为高斯滤波降噪后的特征图;yc为坐标注意力机制输出的特征图;ys为空间注意力机制输出的特征图;⊙为逐元素乘积。
11、进一步地,所述步骤3中,高斯滤波器的输出为:
12、
13、式中,为滤波后输出特征图中位置(i,j)处的像素;xu,v,k为输入特征图中位置(u,v)处的像素值;k为特征图通道数;(u,v)为滤波器的位置偏移,(i,j)为输出特征图的位置偏移;σ是高斯滤波的标准差;
14、进一步地,所述步骤3中,坐标注意力机制的输出为:
15、
16、式中,xc(i,j)为输入特征图在通道c、垂直位置i和水平位置j上的值;为在垂直方向上的通道注意力权重;为在水平方向上的通道注意力权重;
17、进一步地,所述步骤3中,空间注意力机制的输出为:
18、
19、式中,为将平均池化特征图和最大池化特征图按照通道维度进行拼接,得到的特征图;f7*7为对拼接后的特征图进行7×7的卷积操作;σ为激活函数。
20、进一步地,所述步骤3中还包括:yolov8模型的neck部分为bifpn结构。
21、进一步地,所述步骤4中,构建的yolov8模型的损失函数为:
22、
23、式中,siou(na,nb)表示na和nb的iou相似度;wθ(na,nb)表示na和nb的尺寸相似度;c为非线性变换函数的参数;α和β为调节参数,α取值为(0,1),β取值为(1,+∞)。
24、进一步地,所述步骤4中还包括对nwd损失函数的尺寸相似度公式进行优化,优化后的尺寸相似度公式为:
25、
26、式中,hi和wi分别为第i个特征尺度的高度和宽度;θ是正常数,为尺寸相似度的衰减程度;c为尺寸相似度的基线,即非线性变换函数的参数;λi是特征尺度的权重。
27、进一步地,所述步骤4中还包括对ciou损失函数的iou相似度公式进行优化,优化后的iou相似度公式为:
28、
29、式中,area(na∩nb)为两个边界框的交集面积;area(na∪nb)为两个边界框的并集面积。
30、进一步地,所述步骤4中还包括对非线性变换函数的参数进行优化,优化后非线性变换函数的参数的公式为:
31、
32、式中,n为特征尺度的数量;hi为第i个边界框的高度;wi为第i个边界框的宽度。
33、本发明的有益效果:
34、本发明提出一种降噪空间坐标注意力(nr-sca)机制,通过将高斯滤波降噪技术、空间注意力和坐标注意力这三种机制组合到一个模块中,可以在同时考虑噪声降低、空间位置和结节坐标信息的同时,实现更好的性能。上述组合使模型能够更有效地检测不同位置和尺寸的肺结节,提高检测的精确性和鲁棒性。
35、本发明使用双向加权特征金字塔网络可以简化网络参数并使特征融合更精确。
36、本发明结合尺寸相似度和iou相似度构建的snwd损失函数,更全面地考虑了目标检测中物体的尺寸和位置信息。尺寸相似度有助于处理不同尺寸物体的检测,而iou相似度有助于准确定位物体的位置。将它们结合起来,可以更好地权衡检测精度和位置准确度,提高对小目标结节的检测效率。
1.一种基于yolov8的肺结节图像检测方法,其特征在于,包括如下步骤:
2.如权利要求1所述的基于yolov8的肺结节图像检测方法,其特征在于,所述步骤3中,nr-sca模块的输出为:
3.如权利要求1或2所述的基于yolov8的肺结节图像检测方法,其特征在于,所述步骤3中,高斯滤波器的输出为:
4.如权利要求1或2所述的基于yolov8的肺结节图像检测方法,其特征在于,所述步骤3中,坐标注意力机制的输出为:
5.如权利要求1所述的基于yolov8的肺结节图像检测方法,其特征在于,所述步骤3中,空间注意力机制的输出为:
6.如权利要求1所述的基于yolov8的肺结节图像检测方法,其特征在于,所述步骤3中还包括:yolov8模型的neck部分为bifpn结构。
7.如权利要求1所述的基于yolov8的肺结节图像检测方法,其特征在于,所述步骤4中,构建的yolov8模型的损失函数为:
8.如权利要求7所述的基于yolov8的肺结节图像检测方法,其特征在于,所述步骤4中还包括对nwd损失函数的尺寸相似度公式进行优化,优化后的尺寸相似度公式为:
9.如权利要求7所述的基于yolov8的肺结节图像检测方法,其特征在于,所述步骤4中还包括对ciou损失函数的iou相似度公式进行优化,优化后的iou相似度公式为:
10.如权利要求7所述的基于yolov8的肺结节图像检测方法,其特征在于,所述步骤4中还包括对非线性变换函数的参数进行优化,优化后非线性变换函数的参数的公式为: