[论文解读] Identification of lung nodules CT scan using YOLOv5 based on convolution neural network

Haytham Al Ewaidat, Youness El Brag|arXiv (Cornell University)|Dec 31, 2022

Radiomics and Machine Learning in Medical Imaging被引用 6

一句话总结

本研究提出了一种基于YOLOv5的深度学习模型，用于使用LIDC-IDRI数据集在CT扫描中自动检测肺结节。该模型在239例CT扫描（含280个标注结节）上进行训练，实现了92.27%的平均平均精度（mAP），在定位和分类肺结节方面表现出高准确性，表明其作为第二读者工具在提高早期肺癌检测方面的潜力。

ABSTRACT

Purpose: The lung nodules localization in CT scan images is the most difficult task due to the complexity of the arbitrariness of shape, size, and texture of lung nodules. This is a challenge to be faced when coming to developing different solutions to improve detection systems. the deep learning approach showed promising results by using convolutional neural network (CNN), especially for image recognition and it's one of the most used algorithm in computer vision. Approach: we use (CNN) building blocks based on YOLOv5 (you only look once) to learn the features representations for nodule detection labels, in this paper, we introduce a method for detecting lung cancer localization. Chest X-rays and low-dose computed tomography are also possible screening methods, When it comes to recognizing nodules in radiography, computer-aided diagnostic (CAD) system based on (CNN) have demonstrated their worth. One-stage detector YOLOv5 trained on 280 annotated CT SCAN from a public dataset LIDC-IDRI based on segmented pulmonary nodules. Results: we analyze the predictions performance of the lung nodule locations, and demarcates the relevant CT scan regions. In lung nodule localization the accuracy is measured as mean average precision (mAP). the mAP takes into account how well the bounding boxes are fitting the labels as well as how accurate the predicted classes for those bounding boxes, the accuracy we got 92.27%. Conclusion: this study was to identify the nodule that were developing in the lungs of the participants. It was difficult to find information on lung nodules in medical literature.

研究动机与目标

• 开发一种基于深度学习的自动化系统，用于在低剂量CT扫描中检测肺结节，以支持早期诊断。
• 解决由于小、细微或形状复杂的结节导致放射科医生主导的结节筛查工作量大和误诊率高的问题。
• 通过在公开医学影像数据集上应用YOLOv5的一阶段目标检测框架，提高检测准确率并减少假阴性结果。
• 使用mAP、精确率和召回率等标准指标评估模型性能，以确保其临床相关性。
• 探索人工智能作为第二读者在辅助放射科医生（尤其是经验较少者）识别早期肺结节方面的实用性。

提出的方法

• 本研究采用YOLOv5这一一阶段目标检测模型，通过迁移学习方法在轴向CT切片中识别肺结节。
• 模型在LIDC-IDRI数据集的239例CT扫描上进行训练，包含280个标注结节，采用数据增强和类别平衡技术。
• 通过YOLOv5中的卷积神经网络（CNN）模块进行特征提取，学习结节的分层空间和纹理表征。
• 应用超参数调优，包括批量大小（16）、输入图像尺寸（416×416）、初始学习率（0.01）和优化器（SGD），训练共145个周期。
• 使用Google Colab的GPU（Tesla K80）在PyTorch平台上进行训练和验证，损失函数针对边界框回归和目标置信度进行了优化。
• 计算mAP、精确率、召回率和F1分数等评估指标，以评估检测性能和泛化能力。

实验结果

研究问题

• RQ1 基于YOLOv5的模型能否在低剂量CT扫描中实现高mAP的肺结节检测？
• RQ2 在小结节或细微结节方面，该模型的性能与放射科医生读片相比，其精确率和召回率如何？
• RQ3 该模型在早期肺癌筛查中能在多大程度上减少假阴性并提高检测敏感性？
• RQ4 该模型在真实世界CT数据中对不同形状、大小和纹理的结节是否具有良好的泛化能力？
• RQ5 该模型能否作为有效的第二读者工具，辅助放射科医生（尤其是经验较少者）进行结节检测？

主要发现

• 该模型实现了92.27%的平均平均精度（mAP），表明在CT扫描中对肺结节的定位和分类具有出色的准确性。
• 精确率达到92.82%，表明在正确识别真正阳性检测结果方面具有高度可靠性，同时有效减少了假阳性结果。
• F1分数和精确率-召回率曲线分析表明，精确率与召回率之间实现了良好的平衡，且在置信度阈值为0.5时达到最佳性能。
• 边界框回归和目标存在置信度的训练与验证损失在145个周期内持续稳定下降，表明模型收敛稳定且泛化能力良好。
• 该模型在小结节和低对比度结节上的检测性能有所提升，表明其在早期肺癌检测中具有潜在优势。
• 结果表明，该人工智能模型可辅助放射科医生（尤其是经验较少者）提高召回率并减少漏诊。