[发明专利]基于改进YOLOv5s的乳腺肿块检测方法

权利要求书

1.一种基于改进YOLOv5s的乳腺肿块检测方法，其特征在于，具体包括如下步骤：

1)对乳腺钼靶图像进行预处理和标注工作，获得数据集；

2)对数据集中标注后的锚框进行聚类，生成适合数据集的锚框，用于YOLOv5s网络；

3)利用YOLOv5s的Backbone部分对图像进行特征提取，并在提取到的特征图后加入CBAM，在CBAM中先通过一个通道注意力模块，得到加权结果之后，再经过一个空间注意力模块，最终进行加权得到新的特征图；

4)利用YOLOv5s的Neck部分进行特征融合，所述特征融合是将经过Backbone部分中CBAM生成的特征图与经过上采样后的特征图进行特征融合；

5)利用YOLOv5s的预测部分，得到乳腺肿块的检测结果，采用CIoU损失函数迭代训练预测网络模型，获得符合预测要求YOLOv5s网络模型，用于对待测乳腺肿块进行检测，获得对应的肿块位置和分类。

2.根据权利要求1所述基于改进YOLOv5s的乳腺肿块检测方法，其特征在于，所述步骤2)具体实现方法：

2-1)对数据集中标注的所有边界框的长宽数据使用Kmeans方法进行聚类；边界框为标注的真实框的长和宽的长度，聚类后获得的锚框数据替换了YOLOv5s网络的9个锚框数据，生成新的适合数据集的9个锚框值；

2-2)Kmeans聚类中心点设置为9个，聚类后得到9个锚框的长宽参数，用于YOLOv5s网络。

3.根据权利要求1所述基于改进YOLOv5s的乳腺肿块检测方法，其特征在于，所述步骤3)中CBAM的通道注意力机制公式如下：

其中σ为sigmoid函数；F为输入CBAM的特征图；MLP为一个两层共享的多层感应机；AvgPool为平均池化；MaxPool为最大池化；W₀∈R^C/r×C，W₁∈R^C×C/r,W₀和W₁分别为池化和共享网络后的权重，r为信道缩减比；为两个通道注意力向量；

CBAM的空间注意力机制公式如下：

其中f^n×n为卷积运算，n×n为滤波器大小。

4.根据权利要求1所述基于改进YOLOv5s的乳腺肿块检测方法，其特征在于，所述步骤5)中CIoU损失函数公式如下：

其中，IoU表示联合边界框的交集，R_DIoU表示两个边界框b和b^gt中心点之间的距离，ρ(·)代表欧式距离，c表示两个边界框形成的最小矩形的对角线距离；α是权重函数，v是用于衡量长W宽h比的相似性。