基于YOLOv5l的囊型肝包虫病病灶检测研究-AET-电子技术应用

基于YOLOv5l的囊型肝包虫病病灶检测研究

2022年电子技术应用第7期

王正业1，卡迪力亚·库尔班1，吴淼2，严传波2

1.新疆医科大学公共卫生学院，新疆乌鲁木齐830011；2.新疆医科大学医学工程技术学院，新疆乌鲁木齐830011

摘要： 针对临床医生在诊断肝包虫病时需要通过个人经验判断囊型肝包虫病分型，研究基于目标检测算法的肝包虫病灶自动检测与分类模型，实现对肝包虫病超声影像的自动识别与分类。使用YOLOv5l模型作为囊型肝包虫病病灶目标检测的模型，利用本地肝包虫病超声影像数据集对网络模型进行训练。基于YOLOv5l模型与随机梯度下降算法(SGD)优化算法的肝包虫病病灶自动检测分类模型可以很好地对5种类型的病灶进行有效的检测，平均精度均值(mAP)为88.1%，经过测试，该模型的测试速度可达40 f/s。实验结果表明，基于YOLOv5l与SGD算法的肝包虫病病灶自动检测分类模型能够较好地识别病灶的具体位置，可以很好地辅助医生诊断肝包虫病。

关键词： YOLOV5 囊型肝包虫病目标检测超声影像

中图分类号： TP751.1
文献标识码： A
DOI：10.16157/j.issn.0258-7998.211964
中文引用格式： 王正业，卡迪力亚·库尔班，吴淼，等. 基于YOLOv5l的囊型肝包虫病病灶检测研究[J].电子技术应用，2022，48(7)：25-29.
英文引用格式： Wang Zhengye，Kadiliya Kuerban，Wu Miao，et al. Research on detection of cystic liver echinococcosis lesions based on YOLOv5l model[J]. Application of Electronic Technique，2022，48(7)：25-29.

Research on detection of cystic liver echinococcosis lesions based on YOLOv5l model

Wang Zhengye1，Kadiliya Kuerban1，Wu Miao2，Yan Chuanbo2

1.College of Public Health，Xinjiang Medical University，Urumqi 830011，China； 2.College of Medical Engineering Technology，Xinjiang Medical University，Urumqi 830011，China

Abstract： Clinicians need to judge the classification of cystic liver echinococcosis through personal experience when diagnosing liver echinococcosis. The automatic detection and classification model of liver hydatid lesions based on target detection algorithm was studied to realize the automatic recognition and classification of ultrasonic images of liver hydatid disease. The YOLOv5l model was used as the target detection model for cystic liver echinococcosis, and the network model was trained using the local liver echinococcosis ultrasound image data set. The automatic detection and classification model of liver echinococcosis lesions based on YOLOv5L model and stochastic gradient descent algorithm(SGD) optimization algorithm can effectively detect five types of lesions. The average precision mean(mAP) is 88.1%. After testing, the test speed of the model can reach 40 f/s. The experimental results show that the automatic detection and classification model of liver echinococcosis lesions based on YOLOv5L and SGD algorithm can better identify the specific location of lesions and assist doctors in the diagnosis of liver echinococcosis.

Key words : YOLOv5；cystic liver echinococcosis；target detection；ultrasonography

0 引言

肝包虫病，又名肝棘球蚴病，是一种古老的人畜共患病，主要有两种类型的肝包虫，第一种是较为常见的由细粒棘球蚴的虫卵所感染的囊型包虫病，第二种是由多房棘球蚴所感染的泡型包虫病。经济的发展和社会的进步，使得旅游业的发展迅速，人口流动增加，城市宠物及流浪动物的数量不断增长，肝包虫疾病逐渐成为全世界流行的疾病，对世界公共卫生和经济发展造成一定的影响^[1]。由于肝囊型包虫病具有典型的超声表现，超声检查在肝囊型包虫病诊断和分型中发挥着重要的作用。而由于超声检查简单、快速、无创、没有辐射、可重复性高，在肝包虫检查中发挥着重要的作用^[2]。但超声检查存在着一定的主观差异性，一名合格的超声医师需要经过长期的学习与大量的训练。相比之下，使用深度学习的方法与超声图像结合，可以节约医师资源，缩短报告时常，提高诊断准确率。在过去，目标检测技术被广泛用于超声影像的病灶定位及分类。Zhang等^[3]提出了一种基于注意力门控的接通监督网络，使用较少的像素级标签进行监督训练，对于甲状腺结节钙化区的识别准确率达到了92.1%，已经具有较好的性能。Cao等^[4]系统性地评估了现有几种最新的乳腺病变目标检测和分类方法的性能，发现更好和更有效的卷积神经网络框架是提高乳腺病变检测和分类任务性能的重要因素以及使用迁移学习的方式对乳腺病变进行分类可以有效提升检测性能。虽然已经有很多的文献将深度学习的方法应用于医学图像的分类和检测任务，但在肝包虫病灶定位与分型中对不同方法的性能进行评价的工作还很少，仍有部分学者在肝包虫病分类、病灶分割等方向做出了一定的贡献。但大多数都是基于传统图像处理的方法对图像进行研究^[5-7]，存在精确率低、误诊率较高的问题，基于深度学习肝包虫病图像处理的研究大多是针对肝包虫病CT图像二分类的研究^[8-11]，并没有涵盖肝包虫的5种分型。此外，超声学检查作为肝包虫病影像学诊断中优先级最高的方法^[12]，研究基于囊型肝包虫病超声图像的辅助诊断技术也十分必要。因此，本文提出了一种基于深度学习算法和YOLOv5目标检测模型[13]的方法对囊型肝包虫病五类分型的超声影像进行病灶的自动检测与分类研究，帮助医生快速检测疾病，提高精确率，降低误诊率。

本文详细内容请下载：http://www.chinaaet.com/resource/share/2000004581。

作者信息：

王正业1，卡迪力亚·库尔班1，吴淼2，严传波2

(1.新疆医科大学公共卫生学院，新疆乌鲁木齐830011；2.新疆医科大学医学工程技术学院，新疆乌鲁木齐830011)

原创声明：此内容为AET网站原创，未经授权禁止转载。

相关内容