金字塔卷积融合YOLOv4的乳腺肿块检测算法

针对乳腺肿块与腺体对比度低而导致检测精度低，假阳性率较高的问题，提出了一种基于改进的YOLOv4网络的乳腺肿块检测方法。首先引入金字塔卷积，通过不同大小和深度的卷积核，对输入的特征进行提取；其次，将原特征提取网络中的普通卷积替换为深度可分离卷积，减少网络训练参数，提升网络训练速度。实验结果表明，改进的YOLOv4算法在测试集上的敏感性达到81.49%，较原网络高了2.81%，AP值达到86.85%，比原网络的AP值高了4.27%；平均每幅图假阳性个数为0.418个，相较原网络降低了0.028个，该算法的检测性能较YOLOv4有明显提升。

当前，乳腺癌已经成为全球女性最常见的癌症，患乳腺癌的女性占女性新诊断得癌症病例的30% [1]。

乳腺癌的早期发现，早期治疗大幅度降低了乳腺癌的致死率。因此，早期的乳腺癌筛查是乳腺癌治愈率提升的关键。

乳腺x 线图像是乳腺早期筛查最常见的无创检测方法。

但由于乳腺肿块与乳腺腺体对比度较低， 乳腺肿块较难识别，并且专业医生由于任务量繁重以及主观因素，诊断中仍会出现漏检、错检等现象。

随着科技的发展，计算机辅助诊断技术(Computer Aided Diagnosis, CAD)被广泛应用在医学图像的处理上，降低了医生的工作量，并且也大大减少了医生因大量阅片产生误诊的概率[2]。对于乳腺肿块的检测算法，传统的图像处理方法主要是利用边缘检测，区域生长，阈值分割等方法，在乳腺x 线图像上提取感兴趣区域后对其进行医学分析。随着深度学习的兴起，各个领域都得到了较好的发展，基于深度学习的医学图像检测也表现出了优异的成绩。目前主流的乳腺肿块检测算法主要分为两大类，第一类是双阶段检测算法，该方法首先在图像上生成大量的候选框，然后对这些候选框进行分类并回归目标候选框位置，最终得到包含目标的检测框以及对应类别的置信度。此类算法代表有R-CNN [3]、Fast-RCNN [4]、Faster-RCNN [5]等，该算法在检测精度上有较好表现，但其检测速度慢，对易混淆的目标区分差。郑杰等[6]提出了一种基于Faster RCNN 的乳腺肿块检测算法，其敏感性取得了较好的结果，但是单张假阳性个数较大。第二类为单阶段检测算法，该算法将检测问题转化为回归问题，是一种端到端的目标检测算法。此类算法代表有SSD [7]、YOLOv1 [8]、YOLOv2 [9]、YOLOv3 [10]等，该算法检测速度较快，但其对小目标检测不敏感。蒋慧琴等[11]设计了一种基于YOLOv3 的双视图信息融合的乳腺肿块检测算法， 在乳腺肿块的检测上取得较好的效果。

YOLOv4 [12]相对于之前的系列网络来说， 其结合了之前的研究成果， 在检测精度和检测速度上有较好的表现。但对于乳腺肿块图像来说，肿块较难识别，导致检测精度低和假阳性率高的问题，YOLOv4仍需要进一步的改进从而满足乳腺肿块的检测。本文对YOLOv4 算法进行改进，引入金字塔卷积[13] (Pyramid Convolution, PyConv)，提高特征提取能力；使用深度可分离卷积在不降低网络检测精度的前提下，大幅度降低网络训练参数。实验结果表明，改进后的YOLOv4 网络的检测精度提升，平均每幅图像假阳性个数下降。

2. YOLOv4 网络结构 YOLO 系列网络不同于两阶段网络，直接采用回归的方法对坐标框进行检测和分类，是一个端到端的检测网络。该系列网络将输入的图像分割成若干网格，每个网格负责预测落在此网格上的物体，若待