[发明专利]基于改进YOLOv5s的乳腺肿块检测方法

说明书

本发明涉及一种基于改进YOLOv5s的乳腺肿块检测方法，首先获得乳腺x线图像的数据集，并对其进行处理；然后在原有的YOLOv5s基础上，对模型的锚框进行重新设计，利用Kmeans算法进行聚类生成适合乳腺x线图片数据集的锚框；在YOLOv5s网络主干Backbone层加入卷积块注意力模块，并对改进后网络进行训练，添加该注意力机制不仅能够节约网络的参数和计算力，而且网络在提取特征时更加关注肿块的特征信息；最后，待检测乳腺x线图像送入改进训练后的YOLOv5s网络中进行识别，获得对应的肿块位置和分类。在原有的深度学习网络上进行改进，从而可以更精准的实现乳腺肿块的检测和分类，为以后的相关肿块检测提供技术支持。

技术领域

本发明涉及一种检测技术，特别涉及一种基于改进YOLOv5s的乳腺肿块检测方法。

背景技术

乳腺癌是目前世界上最常见、致死率较高的癌症之一。对于乳腺癌的治疗,早期诊断特别重要，从一张乳腺图片中快速准确的检测出肿块，这是一个必要的研究问题，因此如何提高乳腺肿块的检测精度是目前的一个研究热点。

乳腺肿块检测的方法可以分为两类：基于传统的机器学习方法和基于深度学习的方法。由于从原始图像中提取的手工特征的局限性，传统的机器学习方法未能提供高度准确的模型。事实上，与深度学习方法相比，被提出用于乳腺病变检测和分类的传统CAD系统无法克服病变大小和纹理的巨大变化。因此，采用深度学习架构可以更好的检测乳腺的病变区域。目前基于深度学习的物体检测方法，可分为二阶段和一阶段俩种。二阶段算法主要是一种基于区域的R-CNN系列算法，例如R-CNN，Fast R-CNN和Faster R-CNN。另一类则是SSD和YOLO系列的单阶段算法。有学者采用yolov3对乳腺肿块进行检测，利用K-means算法对原始数据生成自适应框，用来检测肿块，但是该算法的识别准确度较低。

发明内容

针对精确检测乳腺肿块问题，提出了一种基于改进YOLOv5s的乳腺肿块检测方法，更精准的检测到肿块。

本发明的技术方案为：一种一种基于改进YOLOv5s的乳腺肿块检测方法，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。

进一步，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。

进一步，所述步骤3)中CBAM的通道注意力机制公式如下：