基于YOLOX与目标追踪的肺结节检测研究.pdfVIP

摘要

肺癌是我国死亡率最高的疾病之一，尽早的诊疗可以大幅提高肺癌患者的生

存率。肺结节是肺癌的早期表现形式，当前依靠人工的检测方法存在一定的不稳定

性，计算机辅助诊断系统借助卷积神经网络的强大图像特征表征能力，可以提高肺

结节的检测精度和稳定性。在肺结节检测任务中，仍然存在肺结节尺寸跨度大、背

景复杂，且在图像间独立检测，存在冗余推荐，假阳性高等问题。因此，本文围绕

肺结节自动检测技术的研究与应用展开深入探讨，主要研究内容包括：

（1）针对肺结节尺寸跨度大、背景复杂的问题，本文采用并优化具有无锚框检

测设计和标签动态分配策略的YOLOX模型。首先，使用加权特征融合模块

（WeightedFeatureFusion，WFF）改进YOLOX的特征融合网络，优化特征融合过

程，更有效地处理不同尺度的特征信息。其次，引入广义交并比损失和基于高斯分

布的边界框分布损失，让网络更加关注于肺结节影像和血管、气管等的影像区别，

解决目标和背景影像互相干扰的问题。

（2）针对多张CT图像检测中存在冗余检测的问题，本文基于卡尔曼滤波算法，

提出候选结节追踪算法（CandidateNodulesTracking，CNT）。该算法能够追踪同一

病例多张CT切片上的肺结节候选区域检测结果，实现跨切片的结果融合。该算法

对肺结节在连续切片中的运动轨迹进行估计，从而聚合分散的检测结果，减少冗余

的结节推荐。

（3）针对假阳性高的问题，本文提出肺结节假阳性删减方法，使用辅助最大密

度投影法（AuxiliaryMaximumIntensityProjection，AMIP）处理候选结节的CT图

像，显著增强了肺结节和假阳结节的视觉特征，并利用这个方法，制作了一个专门

用于假阳性删减网络的训练数据集。接着，搭建基于ResNet50的假阳性删减网络，

并选用合适的损失函数辅助网络训练。经实验证明，该方法可以有效减少假阳结节

的推荐，降低假阳性率。

综合上述研究内容，本文提出一个基于YOLOX与目标追踪的多阶段肺结节

检测方法，并在（LungNoduleAnalysis2016，LUNA16）数据集上进行验证，最终

竞争性能指标（CompetitionPerformanceMetric，CPM）达到93.32%。

关键词：肺结节检测与追踪，卷积神经网络，假阳性删减，最大密度投影

ABSTRACT

Lungcancerisoneofthediseaseswiththehighestmortalityrateinourcountry,and

earlydiagnosisandtreatmentcansignificantlyimprovethesurvivalrateoflungcancer

patients.Pulmonarynoduleisanearlymanifestationoflungcancer.Thecurrentmanual

detectionmethodshavecertaininstabilities.Withthepowerfulimagefeature

representationcapabilityofconvolutionalneuralnetworks,computer-aideddiagnostic

systemscanimprovetheaccuracyandstabilityofpulmonarynoduledetection.Inthetask

ofpulmonarynoduledetection,therearestillproblemssuchaslargesizespansof

pulmonarynodules,complexbackgrounds,independentdetectionbetweenimages,

redundantrecommendations,andhighfalsepositives.