文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.211964
中文引用格式： 王正業，卡迪力亞·庫爾班，吳淼，等. 基于YOLOv5l的囊型肝包蟲病病灶檢測研究[J].電子技術應用，2022，48(7)：25-29.
英文引用格式： Wang Zhengye，Kadiliya Kuerban，Wu Miao，et al. Research on detection of cystic liver echinococcosis lesions based on YOLOv5l model[J]. Application of Electronic Technique，2022，48(7)：25-29.
0 引言
肝包蟲病，又名肝棘球蚴病，是一種古老的人畜共患病，主要有兩種類型的肝包蟲，第一種是較為常見的由細粒棘球蚴的蟲卵所感染的囊型包蟲病，第二種是由多房棘球蚴所感染的泡型包蟲病。經濟的發展和社會的進步，使得旅游業的發展迅速，人口流動增加，城市寵物及流浪動物的數量不斷增長，肝包蟲疾病逐漸成為全世界流行的疾病，對世界公共衛生和經濟發展造成一定的影響[1]。由于肝囊型包蟲病具有典型的超聲表現，超聲檢查在肝囊型包蟲病診斷和分型中發揮著重要的作用。而由于超聲檢查簡單、快速、無創、沒有輻射、可重復性高，在肝包蟲檢查中發揮著重要的作用[2]。但超聲檢查存在著一定的主觀差異性，一名合格的超聲醫師需要經過長期的學習與大量的訓練。相比之下，使用深度學習的方法與超聲圖像結合，可以節約醫師資源，縮短報告時常，提高診斷準確率。在過去，目標檢測技術被廣泛用于超聲影像的病灶定位及分類。Zhang等[3]提出了一種基于注意力門控的接通監督網絡，使用較少的像素級標簽進行監督訓練，對于甲狀腺結節鈣化區的識別準確率達到了92.1%，已經具有較好的性能。Cao等[4]系統性地評估了現有幾種最新的乳腺病變目標檢測和分類方法的性能，發現更好和更有效的卷積神經網絡框架是提高乳腺病變檢測和分類任務性能的重要因素以及使用遷移學習的方式對乳腺病變進行分類可以有效提升檢測性能。雖然已經有很多的文獻將深度學習的方法應用于醫學圖像的分類和檢測任務，但在肝包蟲病灶定位與分型中對不同方法的性能進行評價的工作還很少，仍有部分學者在肝包蟲病分類、病灶分割等方向做出了一定的貢獻。但大多數都是基于傳統圖像處理的方法對圖像進行研究[5-7]，存在精確率低、誤診率較高的問題，基于深度學習肝包蟲病圖像處理的研究大多是針對肝包蟲病CT圖像二分類的研究[8-11]，并沒有涵蓋肝包蟲的5種分型。此外，超聲學檢查作為肝包蟲病影像學診斷中優先級最高的方法[12]，研究基于囊型肝包蟲病超聲圖像的輔助診斷技術也十分必要。因此，本文提出了一種基于深度學習算法和YOLOv5目標檢測模型[13]的方法對囊型肝包蟲病五類分型的超聲影像進行病灶的自動檢測與分類研究，幫助醫生快速檢測疾病，提高精確率，降低誤診率。
本文詳細內容請下載：http://m.jysgc.com/resource/share/2000004581。
作者信息：
王正業1，卡迪力亞·庫爾班1，吳 淼2，嚴傳波2
(1.新疆醫科大學 公共衛生學院，新疆 烏魯木齊830011；2.新疆醫科大學 醫學工程技術學院，新疆 烏魯木齊830011)
