本研究提出了一种结合YOLOv5s算法进行高效肺结节检测和利用3D卷积神经网络实现精准结节分级的创新方法，显著提升CT影像中肺结节的识别与评估效率。
本段落提出了一种基于YOLO v5s模型的肺结节检测方法，并结合了3D卷积神经网络（CNN）分类器来提高检测准确性和灵敏度，从而有助于早期肺癌诊断。
首先，利用预训练的YOLO v5s模型进行初步目标定位。这一阶段的目标是识别CT图像中的可疑区域。为了适应特定任务需求，研究团队使用包含397张CT影像的数据集对YOLO模型进行了再训练，并将置信水平设置为0.3以确保尽可能多地捕捉到潜在结节，即使这意味着可能会产生更多的假阳性结果。
在初步检测的基础上，引入了3D CNN分类器来进一步分析和确认可疑区域。该分类器通过深度学习技术识别出更复杂的特征模式，从而更好地区分真正的肺部结节与非相关结构或噪声区域。
为了评估这一方法的有效性，研究团队使用LUNA 16数据集进行了测试。这个数据集中包含了888张CT图像以及标注的1186个实际结节位置和400,000多个背景（即没有病变）区域的信息。
实验结果显示，在YOLO模型设定较低置信水平时，虽然假阳性数量增加但确实检测到了大部分潜在的目标。而3D CNN分类器在后续处理中显著减少了误报，并提高了对真实结节的识别率。例如，当使用50%作为置信阈值时，初步阶段可以捕捉到294个可疑区域中的大多数（即大约三分之二的真实结节），经过进一步分析后准确性得到了提升。
总之，该研究通过结合YOLO v5s模型和3D CNN分类器构建了一个分层次的肺部结节检测框架。这种方法不仅减少了假阴性率而且提高了对小尺寸或边缘区域结节的识别能力，在临床实践中具有潜在的重要意义。未来的研究可以进一步优化算法性能、减少计算资源需求并改善处理CT图像中的噪声和伪影问题，以提高整体诊断效率与准确性。
5星
