典型文献
基于跨路径特征聚合的改进型YOLOv3乳腺肿块识别算法
文献摘要：
针对基于深度学习的乳腺癌诊断中小肿块和互相遮挡肿块易被漏诊的问题,提出了一种用于乳腺肿块检测的改进型YOLOv3算法.首先,在特征融合模块中添加了自底向上的路径,并采用级联和跨层连接的方式充分利用底层特征信息,提高了小肿块的识别精度;其次,为了筛选出更精确的预测框,避免互相遮挡的肿块出现漏检的情况,在软非极大值抑制(Soft-NMS)算法中引入了距离交并比(DIoU)来抑制冗余的预测框.实验结果表明,所提乳腺肿块检测算法在检测小肿块和互相遮挡的肿块方面有较高的准确率和速度,平均均值精度(mAP@0.5)达到了96.1％,相比于YOLOv3提高了1.8个百分点,且每张钼靶图像的检测时间仅为28 ms.
文献关键词：
图像处理;乳腺钼靶图像;YOLOv3;特征融合;距离交并比;软非极大值抑制;目标检测
中图分类号：
作者姓名：
王杉;胡艺莹;丰亮;郭林英
作者机构：
华东交通大学信息工程学院,江西南昌330013;南昌市第三医院乳腺肿瘤科,江西南昌330009
文献出处：
引用格式：
[1]王杉;胡艺莹;丰亮;郭林英-.基于跨路径特征聚合的改进型YOLOv3乳腺肿块识别算法)[J].激光与光电子学进展,2022(04):71-80
A类：
乳腺肿块识别,软非极大值抑制
B类：
特征聚合,改进型,YOLOv3,识别算法,遮挡,漏诊,特征融合模块,底向上,联和,跨层连接,底层特征,特征信息,识别精度,漏检,Soft,NMS,距离交并比,DIoU,检测算法,mAP,百分点,每张,检测时间,ms,乳腺钼靶图像,目标检测
AB值：
0.304633
相似文献
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。
