关键词:
人工智能
目标检测
乳腺肿瘤
乳腺超声
YOLOv5
摘要:
为实现基于改进型YOLO的算法模型对乳腺肿瘤超声图像检测方式的优化升级,选取659张kaggle平台公开的乳腺肿瘤超声图像作为YOLOv5s的初始数据集,并采用开源图片标注工具Labelimg对超声图像中所需检测的乳腺癌目标进行预标注。从该数据集中随机抽取629张图像,并将其依照7:3的比例划分为训练集与验证集,余下30张图像作为测试集用于测试模型检测目标性能。将自适应空间特征融合结构(ASFF)与卷积块注意力(CBAM)机制引入原YOLOv5算法,对原算法进行结构化改良。将训练集与验证集置入原模型与改良模型,经过200轮迭代训练得到佳权重文件,用于测试集的最终化检验。结果表明,经过200轮迭代训练后,两种模型对所有乳腺肿瘤超声图像检测的平均精度均值分别为72.1%、79.6%。通过测试集检验证明,与原始模型相比,改良模型对图像的识别精度得到了显著提高,同时对中小目标的检测能力也得到了提升,有助于提高临床中乳腺肿瘤的诊断效能。