第16卷第1期 智能系统学报 Vol.16 No.1 2021年1月 CAAI Transactions on Intelligent Systems Jan.2021 D0L:10.11992tis.202010004 基于改进的YOLO3算法的乳腺超声肿瘤识别 徐立芳，傅智杰2，莫宏伟 (1.哈尔滨工程大学工程训练中心，黑龙江哈尔滨150001,2.哈尔滨工程大学自动化学院，黑龙江哈尔滨 150001) 摘要：为了提高乳腺癌诊断的效率以及准确性，本文提出一种基于改进的YOLO3算法来构建一个乳腺超声 肿瘤识别算法，辅助医生进行乳腺癌的诊断。首先在Res2Net网络上融入SE模块构建SE-Res2Net网络来取代 原始YOLOv23中的特征提取网络，以此提升模型特征提取的能力。然后通过搭建一个新型下采样模块(dowm sample block)来解决原始模型中下采样操作容易出现信息丢失的不足。最后为了进一步提升模型特征提取的 能力，结合残差连接网络以及密集连接网络的优点构建Res-DenseNet网络来替换原始模型的残差连接方式。 实验结果表明：改进后的YOLOv3算法比原始YOLOv3算法的mAP提高了4.56%，取得较好的检测结果。 关键词：乳腺癌；超声影像；YOLOv3;SE-Res2Net;下采样模块；残差连接；密集连接 中图分类号：TP181文献标志码：A文章编号：1673-4785(2021)01-0021-09 中文引用格式：徐立芳，傅智杰，莫宏伟.基于改进的Y0L0v3算法的乳腺超声肿瘤识别川.智能系统学报，2021,16(1)： 21-29. 英文引用格式：XU Lifang,,FU Zhijie,,MO Hongwei..Tumor recognition in breast ultrasound images based on an improved YOLOv3 algorithm[J].CAAI transactions on intelligent systems,2021,16(1):21-29. Tumor recognition in breast ultrasound images based on an improved YOLOv3 algorithm XU Lifang',FU Zhijie',MO Hongwei (1.Engineering Training Center,Harbin Engineering University,Harbin 150001,China;2.Automation College,Harbin Engineering University,Harbin 150001,China) Abstract:To improve the efficiency and accuracy of breast cancer diagnoses,a breast ultrasound tumor recognition al- gorithm based on an improved YOLOV3 algorithm is proposed to assist doctors in breast cancer diagnosis.First,the SE module is integrated into Res2Net to construct Se-Res2Net to replace the original feature extraction network in YOLOv3 to improve the ability of model feature extraction.Then,a new Downsample Block is built to solve the prob- lem of information loss in the downsampling operation of the original model.Finally,to further improve the ability of feature extraction,the residual connection network and dense connection network are combined to construct Res- DenseNet to replace the residual connection mode of the original model.The experimental results show that the above improvements are effective,and the mAP of the improved algorithm is 4.56%higher than that of the original algorithm. Keywords:breast cancer;ultrasonography;YOLOv3;SE-Res2Net;downsample block:residual connection;dense con- nection 乳腺癌是女性中最常见的癌症，也是全世界 乳腺癌死亡的病例，乳腺癌已经影响了约12%美 癌症死亡的主要原因之一，其死亡率仅低于肺 国女性日常生活)，早期发现可以增加患者治疗 癌)，根据美国癌症协会(american cancer 的机会进而提高患者的生存率，因此，乳腺癌 society)对2019年癌症患者的统计，在美国经确 的筛查及早期诊断尤为重要，现阶段，乳腺癌诊 诊的浸润性乳腺癌有约268600例新病例和非浸 断的方法主要有：磁共振成像(magnetic resonance 润性乳腺癌约62930例新病例以及41760例因 imaging,MRI)、正电子发射型计算机断层显像 收稿日期：2020-10-09. (positron emission computed tomography,PET)、超声 通信作者：莫宏伟.E-mail:honwei2004@126.com 成像和X线摄影等，其中MRI和PET价格较为昂DOI: 10.11992/tis.202010004 基于改进的 YOLOv3 算法的乳腺超声肿瘤识别 徐立芳1 ，傅智杰2 ，莫宏伟2 （1. 哈尔滨工程大学 工程训练中心，黑龙江 哈尔滨 150001; 2. 哈尔滨工程大学 自动化学院，黑龙江 哈尔滨 150001） 摘 要：为了提高乳腺癌诊断的效率以及准确性，本文提出一种基于改进的 YOLOv3 算法来构建一个乳腺超声 肿瘤识别算法，辅助医生进行乳腺癌的诊断。首先在 Res2Net 网络上融入 SE 模块构建 SE-Res2Net 网络来取代 原始 YOLOv3 中的特征提取网络，以此提升模型特征提取的能力。然后通过搭建一个新型下采样模块（down￾sample block）来解决原始模型中下采样操作容易出现信息丢失的不足。最后为了进一步提升模型特征提取的 能力，结合残差连接网络以及密集连接网络的优点构建 Res-DenseNet 网络来替换原始模型的残差连接方式。 实验结果表明：改进后的 YOLOv3 算法比原始 YOLOv3 算法的 mAP 提高了 4.56%，取得较好的检测结果。 关键词：乳腺癌；超声影像；YOLOv3；SE-Res2Net；下采样模块；残差连接；密集连接 中图分类号：TP181 文献标志码：A 文章编号：1673−4785(2021)01−0021−09 中文引用格式：徐立芳, 傅智杰, 莫宏伟. 基于改进的 YOLOv3 算法的乳腺超声肿瘤识别 [J]. 智能系统学报, 2021, 16(1): 21–29. 英文引用格式：XU Lifang, FU Zhijie, MO Hongwei. Tumor recognition in breast ultrasound images based on an improved YOLOv3 algorithm[J]. CAAI transactions on intelligent systems, 2021, 16(1): 21–29. Tumor recognition in breast ultrasound images based on an improved YOLOv3 algorithm XU Lifang1 ，FU Zhijie2 ，MO Hongwei2 (1. Engineering Training Center, Harbin Engineering University, Harbin 150001, China; 2. Automation College, Harbin Engineering University, Harbin 150001, China) Abstract: To improve the efficiency and accuracy of breast cancer diagnoses, a breast ultrasound tumor recognition al￾gorithm based on an improved YOLOV3 algorithm is proposed to assist doctors in breast cancer diagnosis. First, the SE module is integrated into Res2Net to construct Se-Res2Net to replace the original feature extraction network in YOLOv3 to improve the ability of model feature extraction. Then, a new Downsample Block is built to solve the prob￾lem of information loss in the downsampling operation of the original model. Finally, to further improve the ability of feature extraction, the residual connection network and dense connection network are combined to construct Res￾DenseNet to replace the residual connection mode of the original model. The experimental results show that the above improvements are effective, and the mAP of the improved algorithm is 4.56% higher than that of the original algorithm. Keywords: breast cancer; ultrasonography; YOLOv3; SE-Res2Net; downsample block; residual connection; dense con￾nection 乳腺癌是女性中最常见的癌症，也是全世界 癌症死亡的主要原因之一，其死亡率仅低于肺 癌 [ 1 ] ，根据美国癌症协 会 (american cancer society) 对 2019 年癌症患者的统计，在美国经确 诊的浸润性乳腺癌有约 268 600 例新病例和非浸 润性乳腺癌约 62 930 例新病例以及 41 760 例因 乳腺癌死亡的病例，乳腺癌已经影响了约 12% 美 国女性日常生活[2] ，早期发现可以增加患者治疗 的机会进而提高患者的生存率[3-4] ，因此，乳腺癌 的筛查及早期诊断尤为重要，现阶段，乳腺癌诊 断的方法主要有：磁共振成像 (magnetic resonance imaging, MRI)、正电子发射型计算机断层显像 (positron emission computed tomography, PET)、超声 成像和 X 线摄影等，其中 MRI 和 PET 价格较为昂 收稿日期：2020−10−09. 通信作者：莫宏伟. E-mail：honwei2004@126.com. 第 16 卷第 1 期 智 能 系 统 学 报 Vol.16 No.1 2021 年 1 月 CAAI Transactions on Intelligent Systems Jan. 2021