典型文献
长尾分布下的PET-CT肺癌图像的深度学习网络检测与定位探索
文献摘要：
目的:提出一种用于PET/CT图像在长尾分布下的肺癌检测方法,以提高PET/CT图像中的肺癌诊断效能.方法:以YOLOv5作为骨干网络(Backbone),通过将Backbone与自适应类损失函数(ACSLoss)相结合来构建一个基于自适应类损失函数的YOLO模型(ACS-YOLO),以此解决PET/CT肺癌图像真实数据集中的长尾分布问题并提高PET/CT图像中的肺癌诊断效能.结果:在Lung-PET/CT-Dx公开数据集上与现存的YOLOv5变体相比,本文提出的ACS-YOLO取得了最好的检测性能,Precision、Recall、mAP@0.5和mAP@0.5:0.95指标最好的值分别为0.9607、0.9489、0.9706和0.5583.与其他YOLOv5变体相比,ACS-YOLO的检测性能提升约1％～5％,而尾部类别检测性能提升约5％～11％.结论:本文提出的ACS-YOLO可有效地提高长尾分布下PET/CT图像中的肺癌检测效能,这表明本文提出的方法能够作为现实PET/CT肺癌诊断的辅助工具.
文献关键词：
肺癌;PET/CT;长尾分布;深度学习;目标检测
中图分类号：
作者姓名：
梁智欣;邓戈龙;魏夏平;梁凤好;惠贤娟;梁怡君;李谦;黄小伟;罗荣城
作者机构：
广州中医药大学金沙洲医院核医学科,广东广州510168;广东工业大学计算机学院,广东广州510006;广州中医药大学金沙洲医院肿瘤放射治疗中心,广东广州510168;东莞理工学院科学技术处,广东东莞523808;广州中医药大学金沙洲医院肿瘤科,广东广州510168
文献出处：
引用格式：
[1]梁智欣;邓戈龙;魏夏平;梁凤好;惠贤娟;梁怡君;李谦;黄小伟;罗荣城-.长尾分布下的PET-CT肺癌图像的深度学习网络检测与定位探索)[J].中国医学物理学杂志,2022(12):1473-1484
A类：
ACSLoss
B类：
长尾分布,布下,PET,深度学习网络,网络检测,检测与定位,肺癌诊断,诊断效能,YOLOv5,骨干网络,Backbone,损失函数,真实数据,Lung,Dx,公开数据集,变体,检测性能,Precision,Recall,mAP,性能提升,尾部,部类,辅助工具,目标检测
AB值：
0.280263
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
