【技术实现步骤摘要】
本专利技术涉及目标检测，尤其是涉及一种基于改进yolov8模型的ct图像肺结节检测识别方法。
技术介绍
1、肺癌是全球范围内导致死亡的主要原因之一，早期筛查和诊断对于提高患者生存率至关重要。计算机断层扫描(ct)影像因其高分辨率和敏感性而成为肺癌诊断的核心工具。ct影像可以清晰地显示肺部组织结构，支持三维重建，有助于评估肿瘤的大小、位置及其扩散情况，进而进行准确的分期。然而，面对大量影像数据，传统的人工阅片方法存在耗时长、主观差异大等问题，限制了ct技术在临床中的应用效率和效果。
2、近些年来，深度学习技术在医疗影像分析领域得到了广泛的应用，特别是fasterr-cnn、yolo、ssd算法，可以显著提升肺结节检测的效率和准确性。yolo是一种实时对象检测算法，能够在单次前向传播过程中预测多个边界框及其类别。通过大量标注数据的训练，yolo模型可以自动识别和分类ct影像中的肺结节，提取复杂的特征如形状、边界和密度，从而达到高效、准确的检测效果。深度学习模型不仅能够提高肺结节检测的准确性，还能够减少误诊和漏诊的发生。研究表明，经过训练的yolo模型在某些任务上的表现已经可以媲美甚至超越放射科专家。尤其是在高危人群的大规模肺癌筛查项目中，yolo的高效计算能力使得实时和大规模筛查成为可能，能够以非侵入性方法从医学图像中提取定量特征，显著减轻了医疗系统的负担。
3、但基于深度学习的医疗影像分析技术仍面临诸多问题与挑战。比如，腹部ct图像中存在肺动脉、胸膜、心脏、骨骼等干扰，通过从ct扫描图像中分割出肺实质，可以
技术实现思路
1、本专利技术的目的是提供一种基于改进yolov8模型的ct图像肺结节检测识别方法，以解决上述
技术介绍
中存在的问题。
2、为实现上述目的，本专利技术提供了一种基于改进yolov8模型的ct图像肺结节检测识别方法，包括以下步骤：
3、s1、从luna16数据集中原始的mhd文件中获取肺部ct图像，生成肺部ct图像原始数据集；
4、s2、对步骤s1生成的肺部ct图像原始数据集进行肺实质分割，优化肺部ct图像原始数据集，保留感兴趣区域；
5、s3、改进yolov8模型；
6、s4、利用步骤s3获得的改进后的yolov8模型对肺部ct图像原始数据集的训练集(subset1～subset9)的图像特征进行提取，得到训练好的ct图像肺结节检测识别模型，并在测试集(subset0)上进行测试。
7、优选的，在步骤s1中，具体为：将luna16数据集中原始的mhd文件生成640×640×3的图像，读取肺结节位置信息，并将其转换为便与处理的voc格式。
8、优选的，步骤s2中对步骤s1生成的肺部ct图像原始数据集进行肺实质分割，具体包括：利用肺实质分割算法对肺部ct图像原始数据集进行处理，首先对ct图像进行标准化处理，在对其进行k-means聚类与形态学处理，生成肺部ct mask图像，再利用mask图像对原始图像进行分割，移除肺部外的非必要区域。
9、优选的，步骤s3具体为：
10、yolov8模型的backbone部分：采用更加轻量化的adown下采样模块替换原有的backbone部分中的卷积模块，实现参数量的降低，同时保持肺结节检测精度；
11、yolov8模型的neck部分：在c2f卷积模块后引入轻量级的simam自注意力机制，采用slim-neck结构，改进yolov8模型的特征融合和处理效果，并利用轻量化gsconv、vovgscsp替换标准卷积和c2f卷积模块；
12、yolov8模型的head部分：引入selfattention注意力机制。
13、由注意力机制增强后的yolov8模型(yolov8m)网络包括：
14、backbone:
15、网络输入：通道数为3，尺寸为640×640；
16、第0层：cbs结构(conv-bn-silu)，卷积核大小为3×3，步长为2，输入通道数为3，输出层通道数为48。对输入特征图进行卷积操作后，通道数变为48，特征图尺寸缩小为320×320；
17、第1层：adown结构，对输入特征图进行average pooling池化，然后将特征图分成两部分，第一部分进行卷积操作，第二部分进行max pooling池化后卷积，然后将两部分进行concat操作。对输入特征图进行adown操作后，通道数变为96，特征图尺寸缩小为160×160；
18、第2层：c2f结构，输入通道数为96，对输入特征图进行split、卷积、残差链接等操作，输出通道数变为96，特征图尺寸为160×160；
19、第3层：adown结构，对输入特征图进行average pooling池化，然后将特征图分成两部分，第一部分进行卷积操作，第二部分进行max pooling池化后卷积，然后将两部分进行concat操作。对输入特征图进行adown操作后，通道数变为192，特征图尺寸缩小为80×80；
20、第4层：c2f结构，输入通道数为192，对输入特征图进行split、卷积、残差链接等操作，输出通道数变为192，特征图尺寸为80×80；
21、第5层：adown结构，对输入特征图进行average pooling池化，然后将特征图分成两部分，第一部分进行卷积操作，第二部分进行max pooling池化后卷积，然后将两部分进行concat操作。对输入特征图进行adown操作后，通道数变为384，特征图尺寸缩小为40×40；
22、第6层：c2f结构，输入通道数为384，对输入特征图进行split、卷积、残差链接等操作，输出通道数变为384，特征图尺寸为40×40；
23、第7层：adown结构，对输入特征图进行average pooling池化，然后将特征图分成两部分，第一部分进行卷积操作，第二部分进行max pooling池化后卷积，然后将两部分进行concat操作。对输入特征图进行adown操作后，通道数变为576，特征图尺寸缩小为20×20；
24、第8层：c2f结构，输入通道数为576，对输入特征图进行split、卷积、残差链接等操作，输出通道数变为576，特征图尺寸为20×20；
25、第9层：sppf结构，输入通道数为576，池化核大小为5×5，提取特征图中不同尺度的特征，并进行特征融合；
26、neck：
27、第10层：upsample结构，输入通道数为576，上采样算法采用nearest，对输入特征图进行上采样操作后，通道数变为576本文档来自技高网...
【技术保护点】
1.一种基于改进YOLOv8模型的CT图像肺结节检测识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于改进YOLOv8模型的CT图像肺结节检测识别方法，其特征在于，在步骤S1中，具体为：将LUNA16数据集中原始的mhd文件生成640×640×3的图像，读取肺结节位置信息，并将其转换为VOC格式。
3.根据权利要求1所述的一种基于改进YOLOv8模型的CT图像肺结节检测识别方法，其特征在于，步骤S2中对步骤S1生成的肺部CT图像原始数据集进行肺实质分割，具体包括：利用肺实质分割算法对肺部CT图像原始数据集进行处理，首先对CT图像进行标准化处理，在对其进行K-means聚类与形态学处理，生成肺部CT mask图像，再利用mask图像对原始图像进行分割，移除肺部外的非必要区域。
4.根据权利要求1所述的一种基于改进YOLOv8模型的CT图像肺结节检测识别方法，其特征在于，步骤S3具体为：
5.根据权利要求4所述的一种基于改进YOLOv8模型的CT图像肺结节检测识别方法，其特征在于，SimAM自注意力机制通过以下方式计
6.根据权利要求4所述的一种基于改进YOLOv8模型的CT图像肺结节检测识别方法，其特征在于：SelfAttention注意力机制为自注意力模块和卷积模块的结合，自注意力模块首先使用1×1大小的卷积核降低通道数，利用多头自注意力模块捕获特征间的依赖关系，再使用1×1大小的卷积核恢复通道数，并进行BatchNormal，然后利用残差操作将批归一化后的特征图与输入特征图相加，再经过ReLU激活函数。
7.根据权利要求1所述的一种基于改进YOLOv8模型的CT图像肺结节检测识别方法，其特征在于：步骤S4中，采用Mosaic数据增强算法，将任意四张原始图像进行随机缩放、裁减、排布后进行拼接，生成更多样化的640px×640px大小的训练样本。
...【技术特征摘要】
1.一种基于改进yolov8模型的ct图像肺结节检测识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于改进yolov8模型的ct图像肺结节检测识别方法，其特征在于，在步骤s1中，具体为：将luna16数据集中原始的mhd文件生成640×640×3的图像，读取肺结节位置信息，并将其转换为voc格式。
3.根据权利要求1所述的一种基于改进yolov8模型的ct图像肺结节检测识别方法，其特征在于，步骤s2中对步骤s1生成的肺部ct图像原始数据集进行肺实质分割，具体包括：利用肺实质分割算法对肺部ct图像原始数据集进行处理，首先对ct图像进行标准化处理，在对其进行k-means聚类与形态学处理，生成肺部ct mask图像，再利用mask图像对原始图像进行分割，移除肺部外的非必要区域。
4.根据权利要求1所述的一种基于改进yolov8模型的ct图像肺结节检测识别方法，其特征在于，...
【专利技术属性】
技术研发人员：李奕颖，孙智博，曹济民，贺业新，常珈菘，贾张蓉，孙婉迪，
申请(专利权)人：山西医科大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。