使用YOLO v5s结节检测和3D神经网络分类器的CT图像肺结节识别的分层方法
摘要：使用预训练模型（YOLO）检测所有可疑结节。使用397个CT图像重新训练YOLO模型，以检测CT图像中的整个结节。为了最大化模型的灵敏度，在第一阶段对结节检测设置了置信水平（对象检测的概率阈值）为0.3（确保从输入的CT图像中检测到所有可疑结节）。分层模型的目标是以低误检率检测和分类整个肺结节（从CT图像中）。根据第一步的结果，我们提出了一个3D CNN分类器来分析和分类YOLO模型检测到的可疑结节，以实现一个具有非常低误检率的结节检测框架。该框架使用LUNA 16数据集进行评估，该数据集包含888个CT图像，其中包含1186个结节的位置以及400,000个肺部的非结节。结果：由于YOLO模型使用的低置信水平，检测到了大量的误检。利用3D分类器，结节检测的准确性得到显著提高。当置信水平为50\%时，YOLO模型检测到了294个可疑结节（共321个），其中有107个误检和187个真检。将置信水平降低到30\%时，YOLO模型识别出了459个可疑结节，其中138个是误检，321个是真检。当将置信水平为30\%的YOLO模型结果输入到3D CNN分类器中时，获得了98.4\%的结节检测准确性和98.9\%的AUC。结论：所提出的框架在从CT图像中检测结节时产生了少数的误漏检。该方法有助于作为决策支持工具从CT图像中检测肺结节。
作者：Yashar Ahmadyar Razlighi, Alireza Kamali-Asl, Hossein Arabi
论文ID：2212.09366
分类：Medical Physics
分类简称：physics.med-ph
提交时间：2022-12-20