毛凯绩

北方民族大学计算机科学与工程学院 宁夏 银川 750021

引言

根据国家癌症中心的数据显示，近年来恶性肝肿瘤的发病率大大提高，并且具有较高的致死率。手术切除是治疗恶性肝肿瘤的最佳治疗方案，医生需要对肿瘤部位进行精确定位并进行切除，所以对CT图像中的肿瘤部位进行精确检测是十分重要的。目前主流检测方法大多为二阶段检测模型，虽然有着较高的精度但检测速度较慢，难以满足实际需要。针对这个问题，本文选择YOLOv4[1]进行肝肿瘤检测，实验结果表明，YOLOv4模型可以达到速度和精度的统一。

1 本文方法

1.1 模型概述

本文提出一种基于YOLOv4的肝肿瘤检测模型，将包含病灶的CT切片作为模型的输入，输出自动标注后的对应切片。YOLOv4中将骨干网络改为CSPDarknet53，可以在保证CNN学习能力的同时，提高准确性并减少计算量。为了提高对小目标的检测效果，YOLOv4中使用了改进的SPP和PANet[2]对FPN[3]进行增强，更好的实现了多尺度预测以及上下层特征融合。为了解决目标框重叠的问题，本文使用了soft-NMS[4]替换NMS算法。同时本实验在现有的网络模型中进行了细微改动，在卷积层中间加入了BN层（Batch Normalization Layer）和Dropout层。前者可以统一数据分布，加快网络训练和收敛速度以及控制梯度消失和梯度爆炸。后者通过丢弃网络中部分节点，降低模型复杂度，起到防止过拟合的作用。

1.2 数据集和模型评价指标

本文数据集来自3D-IRCADB数据集，该数据集包含10位男性患者和10位女性患者的静脉期数据，其中三分之二的图像上包含肝肿瘤。……