一种基于YOLOv5的微乳头检测系统技术方案

本发明专利技术提供了一种基于YOLOv5的微乳头检测系统，包括肺腺癌病理图像获取模块、检测模型训练模块和微乳头检测模块；检测模型训练模块中的特征提取模块在BottleneckCSP网络结构的基础上增加一层特征提取来得到浅层特征图，使特征提取模块的下采样的倍数减少一半；特征融合模块对浅层特征图进行下采样并与深层特征图进行拼接，使浅层特征图与深层特征图的特征相融合，从而增强网络对小目标的检测能力；预测模块将GIoU损失替换为CIoU损失，对预测框进行优化，提高了预测框回归的速度和精度，更适合于对微乳头的检测。适合于对微乳头的检测。适合于对微乳头的检测。

【技术实现步骤摘要】
一种基于YOLOv5的微乳头检测系统


[0001]本专利技术属于病理图像处理领域，具体涉及一种基于YOLOv5的微乳头检测系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]根据美国癌症协会的统计，每年有超过15万名患者死于肺癌，是世界上扩散最广泛的癌症之一，其总体发病率在世界范围内整体呈上升趋势。根据组织学特点和细胞类型以及对传统治疗的反应，可以将肺癌划分为非小细胞肺癌和小细胞肺癌两种主要类型，其中非小细胞肺癌约占肺癌的80％。
[0004]肺腺癌是非小细胞肺癌中常见的类型之一，起源于支气管粘膜腺上皮，约占全部肺癌的45％，较容易发生于女性及抽烟者。在相关临床病理及随访资料结果的肺腺癌病例中发现，微乳头型肺腺癌是一种类型独特的肺腺癌，微乳头型腺癌的预后很差，很容易出现术后的复发和转移。微乳头型肺腺癌中的微乳头结构成分侵袭性强，易转移，具有高度的恶性潜能，可以与肺泡壁相连，也可以呈环状结构漂浮在肺泡腔中，瘤细胞小、呈立方状，是影响预后的重要因素，该病理形态的出现提醒临床应采取积极治疗措施并密切随访。因此，一种自动、准确的微乳头检测系统就显得尤为重要，辅助医生快速准确识别出微乳头结构，避免人眼识别微乳头速度慢、效率低、以及准确性低的情况。

技术实现思路

[0005]本专利技术为了解决上述问题，提出了一种基于YOLOv5的微乳头检测系统，本专利技术基于传统的YOLOv5结构模型，提出适合于小目标的四个检测层结构，在三个检测层的基础上增加了一个专用于检测小目标的分支，能够适应于形状较小的微乳头结构，获得准确的位置信息再进行检测，提高检测精度，辅助医生的临床诊断。
[0006]根据一些实施例，本专利技术采用如下技术方案：
[0007]一种基于YOLOv5的微乳头检测系统，包括：
[0008]肺腺癌病理图像获取模块，其用于实时获取肺腺癌病理图像并传输至微乳头检测模块；
[0009]检测模型训练模块，其用于对基于YOLOv5的微乳头检测模型进行训练，得到微乳头检测模型并传输至微乳头检测模块；所述检测模型训练模块包括特征提取模块和特征融合模块；所述特征提取模块在BottleneckCSP网络结构的基础上增加一层特征提取来得到浅层特征图，使特征提取模块的下采样的倍数减少一半；所述特征融合模块对浅层特征图进行下采样并与深层特征图进行拼接；
[0010]微乳头检测模块，将肺腺癌病理图像输入微乳头检测模型，检测微乳头并进行标注。
[0011]进一步地，所述特征提取模块输出四个尺度不同的特征图至特征融合模块；所述
特征融合模块将FPN和PAN结构相结合，对特征提取模块得到四个尺度不同的特征图进行多尺度融合处理。
[0012]进一步地，所述检测模型训练模块还包括：训练集构建模块、输入模块和预测模块。
[0013]进一步地，所述训练集构建模块用于获取肺腺癌病理图像并标注出微乳头结构，将标注完成的病理图像进行分块处理得到图像块，并对图像块进行颜色增强构建出训练集。
[0014]进一步地，所述颜色增强通过随机亮度对比度变化、随机亮度变化、随机对比度变化、随机伽马变化和对比度受限自适应直方图均衡变化实现。
[0015]进一步地，所述输入模块对训练集构建模块得到训练集中的图像块依次进行切片操作和卷积操作，得到二倍下采样特征图。
[0016]进一步地，所述预测模块对预测边框依次进行非极大值抑制、IoU值判定。
[0017]进一步地，所述预测模块采用CIoU损失作为预测边框回归的损失函数。
[0018]进一步地，所述预测模块在进行微乳头检测时采取窗口滑动的方式。
[0019]进一步地，所述微乳头检测模型采用SGD优化器进行优化。
[0020]与现有技术相比，本专利技术的有益效果为：
[0021]本专利技术针对所检测目标微乳头的尺寸较小，基于YOLOv5算法，在BottleneckCSP网络结构的基础上增加一层特征提取，将主干网络输出三个不同尺寸的特征图改为输出四个不同大小的特征图，使下采样的倍数减少一半，从而增强网络对小目标的检测能力。
[0022]本专利技术对152
×
152的浅层特征图进行下采样并与76
×
76的深层特征图进行拼接，让浅层特征与深层特征相融合，丰富卷积层的语义信息从而提高检测的精度，由于微乳头结构体积较小，此种拼接方式改善了低层特征的传播，获取到更多底层信息与高层信息相融合，提升对小目标的检测效果，具有较小的感受野，适用于检测较小的微乳头。
[0023]本专利技术的基于YOLOv5的微乳头检测模型用CIoU损失函数作为边界框回归的损失函数，CIoU loss中增加了衡量长宽比一致性的影响因子，将预测框和原本ground truth的长宽比都考虑了进去，提高了预测框回归的速度和精度，更适合于对微乳头的检测。
[0024]本专利技术的基于YOLOv5的微乳头检测模型的颈部模块利用FPN+PAN的方式，对主干部分提取到的特征图，进行多尺度融合处理，FPN自上而下的结构获取到微乳头结构的整体轮廓特征，自下而上的结构将不同尺度的特征信息进行融合，PANE从低层的特征层中存储微乳头精确的位置信息，FPN和PANET两者相结合，缩短了信息传播的路径，基础的信息由底层向高层传播以更好地进行分类和检测。
[0025]本专利技术的基于YOLOv5的微乳头检测模型的预测模块对预测边框依次进行非极大值抑制、IoU值判定，非极大值抑制筛选出得分最高的那个框，计算出预测框与当前候选框的重合程度(IoU)，通过阈值来进行选择，可以抑制掉分数低的窗口。
[0026]本专利技术采用了颜色增强的方式对病理图像块进行预处理，通过改变病理图像的颜色特性来提高检测任务的泛化能力，降低颜色变化对CNN网络的影响，在保证不改变病理图像本身特性的条件下，选用了随机亮度对比度变化、随机亮度变化、随机对比度变化、随机伽马变化、对比度受限自适应直方图均衡变化这5种颜色变换方式对图像块进行了颜色增强。
附图说明
[0027]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0028]图1为本专利技术的检测模型训练模块结构示意图；
[0029]图2为本专利技术的基于YOLOv5的微乳头检测模型的网络结构示意图；
[0030]图3为本专利技术的对微乳头的检测结果示意图。
具体实施方式：
[0031]下面结合附图与实施例对本专利技术作进一步说明。
[0032]应该指出，以下详细说明都是例示性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0033]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLOv5的微乳头检测系统，其特征是，包括：肺腺癌病理图像获取模块，其用于实时获取肺腺癌病理图像并传输至微乳头检测模块；检测模型训练模块，其用于对基于YOLOv5的微乳头检测模型进行训练，得到微乳头检测模型并传输至微乳头检测模块；所述检测模型训练模块包括特征提取模块和特征融合模块；所述特征提取模块在BottleneckCSP网络结构的基础上增加一层特征提取来得到浅层特征图，使特征提取模块的下采样的倍数减少一半；所述特征融合模块对浅层特征图进行下采样并与深层特征图进行拼接；微乳头检测模块，将肺腺癌病理图像输入微乳头检测模型，检测微乳头并进行标注。2.如权利要求1所述的一种基于YOLOv5的微乳头检测系统，其特征是，所述特征提取模块输出四个尺度不同的特征图至特征融合模块；所述特征融合模块将FPN和PAN结构相结合，对特征提取模块得到四个尺度不同的特征图进行多尺度融合处理。3.如权利要求1所述的一种基于YOLOv5的微乳头检测系统，其特征是，所述检测模型训练模块还包括：训练集构建模块、输入模块和预测模块。4.如权利要求3所述的一种基于YOLOv5的微乳头检测系统，其...

【专利技术属性】
技术研发人员：郑元杰，高远，丁艳辉，姜岩芸，隋晓丹，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：