王乾梁，石宏理

1.首都医科大学生物医学工程学院，北京100069；2.首都医科大学临床生物力学应用基础研究北京市重点实验室，北京100069

前言

根据2019年国家癌症中心发布的全国癌症病情统计数据，肺癌的发病率和死亡率仍位居首位，肺癌及相关恶性肿瘤的治疗花费超过2 200 亿元，防控形势十分严峻［1］。早期诊断和早期治疗是降低肺癌死亡率的有效途径。肺结节作为早期肺癌的重要病征，准确检测肺结节具有极其重要的临床意义。临床上一般通过观察肺部CT 图像进行肺结节的诊断判别，但随着医疗需求的快速增长，CT图像数据量不断增加，医师的诊断难度也不断提高，凭借主观经验判断容易出现错误诊断。因此在CT 图像诊断基础上，利用人工智能技术辅助医生做出更为客观、准确的判断，显得尤为必要。

传统的计算机辅助肺结节检测方法主要使用人工提取的特征进行训练，存在步骤繁琐、检测精度不高和系统整体性能较差等问题。随着机器学习领域的快速发展，以卷积神经网络为代表的深度学习方法广泛应用于目标检测领域：一种是基于候选区域的两阶段检测算法，如Faster RCNN［2］和Mask RCNN［3］，另一种是基于回归的一阶段检测算法，如YOLO系列［4-6］和SSD［7］，目前也有研究在尝试将两种方法结合起来使用［8］。其中，YOLO V3 作为YOLO系列的代表算法，在工程应用领域使用广泛，展现出良好的效果。但在应用YOLO V3 算法处理肺部CT图像时，存在目标检测精度不高等问题，难以达到理想效果。针对以上问题，本研究提出基于改进YOLO V3的肺结节检测方法，探究应用YOLO V3进行肺结节检测的有效性和可行性。……