长尾分布下的PET-CT肺癌图像的深度学习网络检测与定位探索

目的：提出一种用于PET/CT图像在长尾分布下的肺癌检测方法，以提高PET/CT图像中的肺癌诊断效能。方法：以YOLOv5作为骨干网络（Backbone），通过将BackboMRTX849临床试验ne与自适应类损失函数（ACSLoss）相结合来构建一个基于自适应类损失函数的YOLO模型（ACS-YOLO），以此解决PET/CT肺癌图像真实数据集中的长尾分布问题并提高PET/CT图像中的肺癌诊断效能。结果：在Lung-PET/CT-Dx公开数据集上与selleck合成现存的YOLOsystems medicinev5变体相比，本文提出的ACS-YOLO取得了最好的检测性能，Precision、Recall、mAP@0.5和mAP@0.5:0.95指标最好的值分别为0.9607、0.9489、0.9706和0.5583。与其他YOLOv5变体相比，ACS-YOLO的检测性能提升约1%～5%，而尾部类别检测性能提升约5%～11%。结论：提出的ACS-YOLO可有效地提高长尾分布下PET/CT图像中的肺癌检测效能，这表明本文提出的方法能够作为现实PET/CT肺癌诊断的辅助工具。