一种使用 YOLO v5s 结节检测和 3D 神经网络分类器从 CT 图像中识别肺结节的分层方法
医学物理
2022-12-20 v1
摘要
第一步，使用预训练模型（YOLO）检测所有可疑结节。使用 397 张 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，在第一阶段将结节检测的置信度（目标检测的概率阈值）设置为 0.3（确保从输入的 CT 图像中检测到所有可疑结节）。该分层模型的目的是以低假阴性率检测和分类整个肺结节（来自 CT 图像）。基于第一步的结果，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，以实现一个具有极低假阴性率的结节检测框架。该框架使用 LUNA 16 数据集进行评估，该数据集包含 888 张 CT 图像，其中包含 1186 个结节和 400000 个非结节的肺部位置信息。结果：由于 YOLO 模型中使用了低置信度，检测到了大量假阳性。利用 3D 分类器，结节检测的准确率显著提高。当使用 50% 的置信度时，YOLO 模型检测到 294 个可疑结节（共 321 个），其中有 107 个假阳性（187 个真阳性）。通过将置信度降低到 30%，YOLO 模型识别出 459 个可疑结节，其中 138 个是假阳性，321 个是真阳性。当置信度为 30% 的 YOLO 模型的结果被输入到 3D CNN 分类器时，结节检测准确率达到 98.4%，AUC 达到 98.9%。结论：所提出的框架在 CT 图像结节检测中产生了极少的假阴性和假阳性预测。所提出的方法将有助于作为决策支持工具从 CT 图像中检测肺结节。
引用
@article{arxiv.2212.09366,
title = {A hierarchical approach for pulmonary nodules identification from CT images using YOLO v5s nodule detection and 3D neural network classifier},
author = {Yashar Ahmadyar Razlighi and Alireza Kamali-Asl and Hossein Arabi},
journal= {arXiv preprint arXiv:2212.09366},
year = {2022}
}