第1期 徐立芳，等：基于改进的YOLOv:3算法的乳腺超声肿瘤识别 ·27· 在引入Res2Net、DownSample模块和残差密集网 YOLOV3(3)算法均将其识别为恶性，识别的置信 络后，YOLOv3模型的整体性能得到较大的提升。 度分别为95.39%、97.652%、99.31%和99.97%：从 1.0 数据库中随机抽取一个良性样本，如图12所示， YOLOV3、YOLOV3(1)、YOLOV3(2)和 0.8 YOLOV3(3)算法均将其识别为恶性，识别的置信 解06 度分别为97.28%、98.48%、98.89%和99.97%，显 -Faster R-CNN-良性 -YOLOV3-良性 然本文在引入Res2Net、DownSample模块和残差 一YOLOV3(1)-良性 0.2 密集网络后，YOLOV3特征提取能力更强。 YOLOV3 86.88 00.10.20.30.40.50.60.70.80.91.0 86. 查全率 86 85.21 84 83.01 图8测试集上良性样本的PR曲线 82.5182.59 Fig.8 PR curves of benign samples on test set 82 81.2 80.24 0 1.02e 78 0.8 76 训练集 测试集 ■YOLOV3■YOLOV3(I)■YOLOV3(2)■YOLOV3(3) 知0.4 -YOLOV3-恶性 一YOLOV3(I)-恶性 图10训练集和测试集上的平均IOU YOLOV3(3-恶性 Fig.10 Average IOU on training set and test set 0.2 -YOLOV3(2)-恶性 00.10.20.30.40.50.60.70.80.91.0 查全率 图9测试集上恶性样本的PR曲线 Fig.9 PR curves of malignant samples on test set 表3乳腺超声数据集划分 Table 3 Dividing breast ultrasound data sets % (a)原始图像 (b)标注后的图像 算法 良性AP 恶性AP mAP YOLOv3 0.7434 0.7571 0.75030 YOLOv3(1) 0.7593 0.7744 0.76685 YOLOV3(2) 0.7711 0.8052 0.78815 YOLOv3(3) 0.781 0.8108 0.7959 (c)YOLOV3 (d)YOLOV3(1) 2)平均I0U 除了以上评价指标外，本文还引入平均重叠 度(intersection over union,IOU)来判定肿瘤的定位 误差，4种算法的在测试集上结果如图10所示， 显然，在训练集上的4种算法平均IOU明显高于 (e)YOLOV3(2) (①YOLOV3(3) 测试集上对应算法的平均IOU,YOLOV3、 YOLOV3(1)、YOLOV3(2)和YOLOV3(3)算法在 图11恶性测试样本效果展示 Fig.11 Malignant test sample effect display 测试集和训练集上平均IOU依次增加，这也证实 了本文在引入Res2Net、DownSample模块和残差 密集网络后，YOLOv3特征提取能力更强。 4.3实际测试效果 从数据库中随机抽取一个恶性样本，采用改 进后的YOLVO3算法进行识别，如图11所示， YOLOV3、YOLOV3(1)、YOL0V3(2)和 (a)原始图像 (b)标注后的图像在引入 Res2Net、DownSample 模块和残差密集网 络后，YOLOv3 模型的整体性能得到较大的提升。 1.0 查准率 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.8 0.6 0.4 0.2 0 查全率 Faster R-CNN-良性 YOLOV3-良性 YOLOV3 (1)-良性 YOLOV3 (2)-良性 YOLOV3 (3)-良性 图 8 测试集上良性样本的 PR 曲线 Fig. 8 PR curves of benign samples on test set 1.0 查准率 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.8 0.6 0.4 0.2 0 查全率 YOLOV3-恶性 YOLOV3 (1)-恶性 YOLOV3 (2)-恶性 YOLOV3 (3)-恶性 图 9 测试集上恶性样本的 PR 曲线 Fig. 9 PR curves of malignant samples on test set 表 3 乳腺超声数据集划分 Table 3 Dividing breast ultrasound data sets % 算法 良性AP 恶性AP mAP YOLOv3 0.743 4 0.757 1 0.750 30 YOLOv3(1) 0.759 3 0.774 4 0.766 85 YOLOv3(2) 0.771 1 0.805 2 0.788 15 YOLOv3(3) 0.781 0.810 8 0.795 9 2) 平均 IOU 除了以上评价指标外，本文还引入平均重叠 度 (intersection over union, IOU)来判定肿瘤的定位 误差，4 种算法的在测试集上结果如图 10 所示， 显然，在训练集上的 4 种算法平均 IOU 明显高于 测试集上对应算法的平 均 IOU ， YOLOV3 、 YOLOV3(1)、YOLOV3(2) 和 YOLOV3(3) 算法在 测试集和训练集上平均 IOU依次增加，这也证实 了本文在引入 Res2Net、DownSample 模块和残差 密集网络后，YOLOv3 特征提取能力更强。 4.3 实际测试效果 从数据库中随机抽取一个恶性样本，采用改 进后的 YOLVO3 算法进行识别，如图 11 所示， YOLOV3 、 YOLOV3(1) 、 YOLOV3(2 ) 和 YOLOV3(3) 算法均将其识别为恶性，识别的置信 度分别为 95.39%、97.652%、99.31% 和 99.97%；从 数据库中随机抽取一个良性样本，如图 12 所示， YOLOV3 、 YOLOV3(1) 、 YOLOV3(2 ) 和 YOLOV3(3) 算法均将其识别为恶性，识别的置信 度分别为 97.28%、98.48%、98.89% 和 99.97%，显 然本文在引入 Res2Net、DownSample 模块和残差 密集网络后，YOLOV3 特征提取能力更强。 83.01 80.24 85.21 81.26 86.01 82.51 86.88 82.59 76 78 80 82 84 86 88 训练集 测试集 平均 IOU YOLOV3 YOLOV3 (1) YOLOV3 (2) YOLOV3 (3) 图 10 训练集和测试集上的平均 IOU Fig. 10 Average IOU on training set and test set (a) 原始图像 (b) 标注后的图像 (c) YOLOV3 malignant 95.39% (d) YOLOV3 (1) malignant 97.62% (e) YOLOV3 (2) malignant 99.31% (f) YOLOV3 (3) malignant 99.97% 图 11 恶性测试样本效果展示 Fig. 11 Malignant test sample effect display (a) 原始图像 (b) 标注后的图像 第 1 期 徐立芳，等：基于改进的 YOLOv3 算法的乳腺超声肿瘤识别 ·27·