换一批基于金字塔结构与注意力机制改进的YOLO算法在乳腺肿瘤超声图像检测中的应用研究
Application research of improved YOLO algorithm based on Pyramid structure and attention mechanism for detecting breast tumors in ultrasound images
摘要为提高乳腺肿瘤超声图像良恶性病灶的识别准确率,本文提出一种基于改进YOLOv5s算法的深度学习检测方法.选取于Kaggle数据库公开的659张乳腺肿瘤超声图像,使用Labelimg工具进行病灶标注,并按7∶3比例将其中629张图像随机分为训练集(440张)和验证集(189张),其余30张作为独立测试集.本文在原模型YOLOv5s算法的基础上引入空洞空间卷积金字塔结构(ASPP)增强多尺度特征提取能力、CA注意力机制提升病灶区域关注度,改进后衍生3种模型,分别为YOLOv5s-AS(仅采用ASPP结构改进)、YOLOv5s-C(仅引入CA注意力机制)、YOLOv5s-AS-C(ASPP与CA注意力机制的协同优化版本).结果显示,经过200次迭代训练后,YOLOv5s-AS、YOLOv5s-C和YOLOv5s-AS-C的平均精度均值(mAP)分别为67.5%、77.5%、75.3%,均较原模型YOLOv5s(69.0%)显著提升,其中以YOLOv5s-C的mAP最高.选取YOLOv5s-C模型进行独立测试集检验,结果显示YOLOv5s-C模型对图像具有更好的识别度,可以对原模型未识别出的图像进行目标检测,实现了更精确的病灶定位.结果证实:①融合CA注意力机制的YOLOv5s-C模型可有效提升乳腺肿瘤图像识别性能;②通过深度学习与人工提取特征图像结合的方法可以获得更高的识别精度及置信度.该方法可较高效、准确地对乳腺肿瘤超声图像病灶进行检测识别,使目标病灶的检出及鉴别诊断更加直接、清晰且客观,辅助提高使用者诊断效率.
更多相关知识
栏目名称
DOI
10.3969/j.issn.1008-6978.2025.08.017
发布时间
2025-09-05（万方平台首次上网日期，不代表论文的发表时间）
- 浏览6
- 被引0
- 下载3
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
