本发明涉及医学图像处理，具体涉及基于yolov8的原发性中枢神经系统淋巴瘤检测分类方法。
背景技术：
1、原发性中枢神经系统弥漫大b细胞淋巴瘤（primary central nervous system-diffuse large b cell lymphoid, pcns-dlbcl）是结外非霍奇金淋巴瘤(non-hodgkinlymphoma, nhl)中一种特殊类型。头颅mri平扫及增强检查在pcns-dlbcl的检查中广泛应用，但常误诊为脑转移瘤（bm）或胶质母细胞瘤(gbm)，误导临床医师的治疗方案。
2、由于pcns-dlbcl病情进展快，预后较差，术前及时诊断和治疗是改善pcns-dlbcl临床预后的关键，因此术前如何通过影像学检查早期准确识别出pcns-dlbcl对后续治疗方案的制定，避免误诊为gbm和bm具有重要的意义。传统pcns-dlbcl mri的诊断，它依赖于有经验的神经外科医生和神经放射科医生根据不同序列的mri（磁共振成像）图像判读，同时需要与gbm和bm相鉴别，工作耗时，同时因为诊断医师的主观性、疲劳性以及疾病本身多样性容易导致最终发生误诊，误诊导致临床医师做出错的治疗决策。
3、近年来，深度学习在肿瘤分割和诊断方面的取得显著成就，为降低临床医师在pcns-dlbcl临床管理中的劳动强度，提高肿瘤检测的准确性，本发明提出基于yolov8的实时诊断模型对mri中肿瘤目标自动检测及分类方法。
技术实现思路
1、发明目的：本发明目的在于针对现有技术的不足，提供基于yolov8的原发性中枢神经系统淋巴瘤检测分类方法，能够成功检测pcns-dlbcl肿瘤，同时可以与gbm、bm相鉴别，具有较高的准确性和鲁棒性。
2、技术方案：本发明所述基于yolov8的原发性中枢神经系统淋巴瘤检测分类方法，包括如下步骤：
3、s1：获取原发性中枢神经系统弥漫大b细胞淋巴瘤、颅内转移瘤、胶质母细胞瘤患者的mri图像数据；
4、s2：对mri图像数据进行处理，筛选出mri图像中含有肿瘤的图像，与随机选取的患者无肿瘤图像组成数据集，将数据集分为训练集、验证集、测试集；
5、s3：对训练集、验证集中的图像进行标注，包括：创建矩形框框选对应的目标区域，确定位置和分类，对含有肿瘤的图像，矩形框仅覆盖肿瘤区域，对无肿瘤图像，矩形框尽量覆盖颅内最大面积，保存标注后的图像；
6、s4：训练yolov8目标检测模型，训练前设定初始锚框，使用训练集进行模型训练，在初始锚框的基础上训练得到预测边界框，计算预测边界框和真实边界框之间的差值，根据差值进行反向更新，迭代调整模型参数；
7、s5：评估yolov8目标检测模型，将验证集的图像输入至s4训练后的yolov8目标检测模型中进行特征提取，输出检测结果，包括边界框的坐标、边界框的置信度，以及每个类别的预测概率；采用准确率、召回率、精确率、以及精确率和召回率的调和均值作为指标评估yolov8目标检测模型的目标检测和分类性能。
8、进一步完善上述技术方案，采用人工筛选出原发性中枢神经系统弥漫大b细胞淋巴瘤、颅内转移瘤、胶质母细胞瘤患者mri图像中含有肿瘤的图片，同时随机选取每个患者相当于含有肿瘤图片约1/3数量的无肿瘤的图片作为正常图像组。
9、进一步地，所述yolov8目标检测模型的网络结构包括 input模块、backbone模块、neck模块和head模块；
10、所述input模块用于mosaic数据增强、图片尺寸处理、自适应锚框计算；所述mosaic数据增强是指采用mosaic方式增强数据集，包括每次选用四张图片，对四张图片进行随机缩放、随机裁剪、随机排布，然后将这四张图片拼接成为一张新的大图；所述图片尺寸处理用于将mosaic数据增强处理后图像的尺寸变换成固定大小尺寸；所述自适应锚框计算用于在训练前设定初始锚框，初始锚框为不同尺度的长宽比组合；
11、所述backbone模块包括focus和cspnet，所述focus通过切片操作和卷积操作将原始图像变成特征图；所述cspnet实现局部跨层融合，利用不同层的特征信息来获得更丰富的特征图；
12、所述neck包括fpn和pan，所述fpn通过上采样传递信息，融合不同尺度的特征图，以得到预测特征图；所述pan为自下向上的特征金字塔，用于进一步融合特征信息；
13、所述head模块用于将neck网络提供的特征图转换成最终的检测结果，包括边界框的坐标、边界框的置信度以及每个类别的预测概率。
14、进一步地，所述yolov8目标检测模型训练过程中采用分类损失更新模型的权重，分类损失包括vfl和del，对于含有目标的正例样本，vfl引入了非对称的加权操作，将负例的损失减少，保持正例的权重较大；dfl通过调整正负样本的权重，使得模型更快地聚焦于目标附近的位置分布。
15、进一步地，所述vfl计算公式如下：
16、
17、其中，p为预测的分类得分，q为目标分数，是平衡因子，用于调整正负样本之间的权重，用于调整p的权重；
18、所述dfl计算公式如下：
19、；
20、其中：、定义了真实标签值所在的预测分布区间的边界；为真实标签值；为预测分布中对应于边界值 的累积概率值；代表预测分布中对应于边界值的累积概率。
21、进一步地，所述精确率是指验证集中预测正确的正样本总数/所有预测为正类的样本总数，计算公式如下：
22、
23、其中，tp 表示将正确类预测为正确类别数，fp 表示将负类别预测为正确类别数；
24、所述召回率是指验证集中的正确类别被预测正确的概率，计算公式如下：
25、
26、其中，tp 表示将正确类预测为正确类别数，fn 表示将正确类别预测为负类别数。
27、所述精确率、召回率的调和均值为f1，计算公式如下：
28、
29、其中，p是精确率，r是召回率。
30、进一步地，所述s5采用可视化工具tensorboardj进行可视化模型训练，训练过程中设置不同的模型参数，通过tensorboard展示的网络图、张量的指标变化、张量的分布情况，对模型参数进行调整。
31、用于执行上述基于yolov8的原发性中枢神经系统淋巴瘤检测分类方法的系统，包括：
32、图像获取模块，用于获取目标部位的mri图像；
33、肿瘤检测分类模块，将mri图像输入至yolov8目标检测模型，输出检测结果，包括肿瘤边界框的坐标、肿瘤边界框的置信度，以及肿瘤类别的预测概率。
34、有益效果：与现有技术相比，本发明的优点在于：本发明建立了一个基于yolov8，在mri图像上成功检测pcns-dlbcl肿瘤的网络模型，同时可以与gbm、bm相鉴别，模型具有较高的准确性和鲁棒性。
35、本发明首先对图像数据进行处理，包括图像的尺寸标准化和自适应锚框计算，以便于模型训练；然后使用yolov8算法进行图像的目标检测，该算法能够将输入图像变换成固定大小，并通过初始锚框参数设计来提高模型训练的精度；yolov8采用非对称的vflloss和ciou loss+dfl，这些损失函数有助于模型更快地聚焦于目标位置，提高分类的准确性；使用tensorboard进行模型训练的可视化，帮助选择最佳的网络参数，从而优化模型性能。
36、本发明通过精确的数据处理、先进的检测算法和有效的损失函数，实现了高精度的肿瘤识别和分类。
1.基于yolov8的原发性中枢神经系统淋巴瘤检测分类方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于yolov8的原发性中枢神经系统淋巴瘤检测分类方法，其特征在于： 采用人工筛选出原发性中枢神经系统弥漫大b细胞淋巴瘤、颅内转移瘤、胶质母细胞瘤患者mri图像中含有肿瘤的图片，同时随机选取每个患者相当于含有肿瘤图片约1/3数量的无肿瘤的图片作为正常图像组。
3.根据权利要求1所述的基于yolov8的原发性中枢神经系统淋巴瘤检测分类方法，其特征在于： 所述yolov8目标检测模型的网络结构包括 input模块、backbone模块、neck模块和head模块；
4.根据权利要求1所述的基于yolov8的原发性中枢神经系统淋巴瘤检测分类方法，其特征在于，所述yolov8目标检测模型训练过程中采用分类损失更新模型的权重，分类损失包括vfl和del，对于含有目标的正例样本，vfl引入了非对称的加权操作，将负例的损失减少，保持正例的权重较大；dfl通过调整正负样本的权重，使得模型更快地聚焦于目标附近的位置分布。
5.根据权利要求4所述的基于yolov8的原发性中枢神经系统淋巴瘤检测分类方法，其特征在于，
6.根据权利要求1所述的基于yolov8的原发性中枢神经系统淋巴瘤检测分类方法，其特征在于，所述精确率是指验证集中预测正确的正样本总数/所有预测为正类的样本总数，计算公式如下：
7.所述精确率、召回率的调和均值为f1，计算公式如下：
8.根据权利要求1所述的基于yolov8的原发性中枢神经系统淋巴瘤检测分类方法，其特征在于：所述s5采用可视化工具tensorboardj进行可视化模型训练，训练过程中设置不同的模型参数，通过tensorboard展示的网络图、张量的指标变化、张量的分布情况，对模型参数进行调整。
9.基于yolov8的原发性中枢神经系统淋巴瘤检测分类系统，其特征在于，包括：
