济宁医学院 大学生创新创业训练计划管理系统

济宁医学院 创新创业管理系统

详情

基于 YOLOv8 算法的肺结节 CT 影像识别系统的开发

申报人：张化糧 申报日期：2025-03-26

基本情况

2025创新项目
基于 YOLOv8 算法的肺结节 CT 影像识别系统的开发 学生申报
创新训练项目
工学
生物医学工程类
学生自主选题
二年期
本项目基于团队前期 YOLOv8 算法和肺结节 CT 影像快速识别技术研究的基础上，计划利用改进的 YOLOv8 算法进一步提升其对微小结节的检测精度，并给出具体的实施方案。目前，团队经过自主学习，正在进行项目的初步开发与测试，后续将持续优化算法和模型，将 CT 影像数据集和 YOLOv8 算法相结合，对带有肺结节的 CT 影像进行识别，从而提高模型准确度和泛化性能，为本系统提供核心技术支持。
参加大学生创新创业训练计划项目，获得校级三等奖
承担教育部产学合作协同育人 2 项，指导国家级、省级大学生创新训练项目各 1 项。发表学术论文 10 余篇，指导学生参加省级专业比赛获奖 9 项。
指导老师指导过 2 项省级以上大学生创新训练项目，具有丰富的带教经验。作为班主任能够及时跟进项目进程。
校级

项目成员

序号 学生 所属学院 专业 年级 项目中的分工 成员类型
张化糧 医学信息工程学院 生物医学工程（本科） 2023 数据处理与分析
李宝硕 医学信息工程学院 生物医学工程（本科） 2023 模型设计及测试
郭家宇 医学信息工程学院 生物医学工程（本科） 2023 模型测试及影像标 注
董浩森 医学信息工程学院 生物医学工程（本科） 2023 撰写报告

指导教师

序号 教师姓名 所属学院 是否企业导师 教师类型
范怀玉 医学信息工程学院 否

立项依据

根据国家癌症中心发布的《2024 年中国肿瘤登记年报》数据显示，我国肺癌年新增病例数从 2020 年的 82.0 万例增长至 2024 年的 89.5 万例，年增长率达
2.3%，持续位居恶性肿瘤发病率首位。为应对这一公共卫生挑战，国家卫健委于2023 年发布《关于进一步加强癌症筛查与早诊早治工作的通知》，明确提出“至 2025 年，重点地区肺癌早筛覆盖率需提升至 60%以上”，并且将 AI 辅助肺结节检测技术列为基层医疗能力提升的核心支持方向。此外，国家药监局在《人工智能医用软件分类界定指导原则（2023 版）》中明确，仅提供定位辅助功能的肺结节检测软件可归类为二类医疗器械，为技术快速落地扫清政策障碍。肺结节作为肺癌早期的重要影像学标志，其精准检测是临床诊疗的核心环节。然而，传统人工阅片模式存在显著局限性：一方面，肺部 CT 影像常受呼吸运动伪影、组织重叠等噪声干扰，且肺结节在形态（如分叶、毛刺）、密度（实性/亚实性）及尺寸（3mm 以下微小结节占比超 30%）上呈现高度异质性，导致医生视觉疲劳与误判风险；另一方面，基层医疗机构普遍面临专业影像医师短缺问题，筛查效率与质量难以保障。尽管现有 AI 辅助诊断技术（如 Faster R-CNN、UNet）已部分应用于肺结节检测，但其在微小结节敏感性低（<5mm 结节漏检率超40%）、模型泛化性差（对罕见位置结节识别不足）及硬件依赖性强（需高端GPU 部署）等问题，严重制约了临床普及。在此背景下，本项目聚焦于深度学习目标检测模型 YOLOv8 的轻量化改进与医学适配性优化，通过引入注意力机制增强噪声抑制能力、设计多尺度特征融合网络提升小目标检测精度，构建兼顾高效性与准确性的肺结节智能识别系统，针对肺癌筛查的紧迫需求与现有技术缺陷，通过 YOLOv8 算法优化，攻克肺结节 CT 检测中的小目标灵敏度低、泛化性不足两大核心难题，构建一套完备的智能辅助识别系统，助力实现国家“肺癌早筛覆盖率提升至 60%”的政策目标，推动医疗资源公平可及。推动 AI 技术在基层医疗中的普惠化应用。
深入研究 YOLOv8 算法，针对肺部 CT 影像的特点进行优化。肺部 CT 影像存在噪声干扰、结节形态多样且部分结节微小模糊等问题，通过改进网络结构，如调整
卷积层、池化层的参数和布局，增强网络对微小、模糊结节特征的提取能力。引入注意力机制，使模型能够更加聚焦于肺结节区域，提高检测精度。对比传统目标检测算法，如 Faster R-CNN 等，优化后的 YOLOv8 算法不仅能够保持检测速度，而且能够提升直径小于 5mm 的微小结节检测准确率。引入多尺度特征融合技术，结合不同分辨率下的图像特征。低分辨率特征图具有较大的感受野，能够捕捉大尺寸结节的整体特征；高分辨率特征图则包含更多细节信息，有助于检测小尺寸结节。通过融合不同尺度的特征，系统能够更全面地识别肺结节，有效避免因结节大小差异导致的漏诊问题，预计可使整体漏诊率显著降低。
1. 国内研究现状
技术进展：腾讯觅影、推想科技等企业已推出肺结节 AI 辅助诊断系统，敏感度
达 85%-90%，但微小结节（<5mm）检测能力仍需提升。高校团队（如清华大学、
浙江大学）在肺结节良恶性分类、多模态融合等方向取得突破，但定位精度与速
度仍需优化。
政策支持：国家卫健委将 AI 医疗纳入“十四五”规划，2023 年《人工智能医用
软件分类界定指导原则》明确 AI 辅助诊断器械的监管路径，加速产品落地。
3.2 国外研究现状和发展动态
在国外，深度学习技术在肺结节检测领域的研究起步较早且成果丰富，众多科研
团队和医疗机构积极探索，不断推动该领域的发展。
早在 2015 年，Litjens 等人在《Medical Image Analysis》发表 “Deep
learning as a tool for increasing accuracy and efficiency of
histopathological diagnosis” 一文，率先将深度学习引入医学影像诊断领
域，为后续肺结节检测的研究奠定了理论基础。文中指出深度学习算法在处理医
学图像复杂特征方面具有巨大潜力，能有效提取图像中的关键信息，这启发了科
研人员将其应用于肺结节检测。
2017 年 ，Setio 等 人于 《IEEE Transactions on Medical Imaging 》 发表
“ Pulmonary nodule detection in CT images: false positive reduction
using multi-view convolutional neural networks”，提出利用多视图卷积神
经网络减少肺结节检测中的假阳性结果。通过从不同角度对 CT 影像进行分析，
提高了检测的准确性，该研究成果在肺结节检测技术发展中具有重要意义，为后
续研究提供了新的思路和方法。
2019 年，Ardila 等人在《Nature Medicine》发表 “End-to-end lung cancer
screening with three-dimensional deep learning on low-dose chest
computed tomography”，构建了 3D 深度学习模型用于肺癌筛查，实现了肺结
节的自动检测、3D 分割以及恶性风险预测。该模型在大规模数据集上表现出
色，推动了肺结节检测技术向智能化、精准化方向发展。
2022 年，Chen 等人在《Medical Physics》发表 “Deep learning-based
pulmonary nodule detection in low-dose CT images: a comparison of
different architectures”，对比了不同深度学习架构在低剂量 CT 影像肺结
节检测中的性能。研究发现不同架构在检测精度、速度等方面各有优劣，为后续
选择合适的算法架构提供了参考依据。
除了学术研究，国外一些医疗机构和企业也积极将肺结节检测技术应用于临床实
践。美国的一家知名医院利用深度学习技术开发了肺结节智能诊断系统，该系统
在临床应用中显著提高了肺结节的检测效率和准确性，帮助医生更及时地发现和
诊断肺癌。同时，谷歌旗下的 DeepMind 公司也在医学影像领域投入大量资源，
其开发的相关技术在肺结节检测方面取得了一定成果，展示了科技企业在推动医
疗技术进步中的重要作用。
在发展动态方面，当前国外研究主要聚焦于进一步提高肺结节检测的精度和速
度，尤其是对微小肺结节和特殊类型结节的检测能力。同时，多模态数据融合成
为热门研究方向，结合 CT、PET - CT、MRI 等多种影像数据，能够为医生提供
更全面、准确的诊断信息。此外，随着人工智能技术的不断发展，研究人员致力
于开发更智能化、自动化的诊断系统，减少对人工干预的依赖，提高医疗服务的
效率和质量。
3.3 参考文献
[1] Litjens G, Kooi T, Bejnordi B E, et al. Deep learning as a tool
for increasing accuracy and efficiency of histopathological
diagnosis[J]. Medical Image Analysis, 2015, 25: 60-69.
[2] Setio A A A, Traverso A, de Jong P A, et al. Pulmonary nodule
detection in CT images: false positive reduction using multi-view
convolutional neural networks[J]. IEEE Transactions on Medical
Imaging, 2017, 36(5): 1160-1169.
[3] Ardila D, Kiraly A P, Bharadwaj S, et al. End-to-end lung cancer
screening with three-dimensional deep learning on low-dose chest
computed tomography[J]. Nature Medicine, 2019, 25(6): 954-961.
[4] Chen X, Liu X, Zhang Y, et al. Deep learning-based pulmonary
nodule detection in low-dose CT images: a comparison of different
architectures[J]. Medical Physics, 2022, 49(11): 6400-6412.
4.1 创新点
4.1.1 多技术融合的创新应用
针对肺部 CT 影像中存在的噪声干扰、结节形态多样且部分结节微小模糊等问
题，我们提升了其对微小结节的检测精度，增强了模型对复杂医学影像特征的提
取能力，确保最终能够开发出高效、准确的肺结节 CT 影像识别系统，为临床诊
断和早期肺癌筛查提供技术支持。在本地对采集到的影像数据进行初步处理和分
析，再利用云平台强大的计算能力进行后续复杂的算法运算，确保系统能够更快
速、准确地对肺结节进行定位。
4.1.2 深度优化的 YOLOv8 算法
在 YOLOv8 算法基础上进行了多项创新优化。引入新型医学影像特征提取网络，
针对肺结节在 CT 影像中的独特特征，如微小尺寸、模糊边界、与周围组织的相
似性等，增强对结节特征的捕捉能力，提高检测准确性。优化锚点框选择策略，
结合大量临床影像数据，使锚点框更贴合肺结节的实际形状和分布，减少误检和
漏检。改进损失函数，充分考虑肺结节检测中不同大小、密度结节的检测难度差
异，提升算法在多类型肺结节检测时的鲁棒性，确保系统在速度和准确性上达到
更好的平衡。
4.2 项目特色
4.2.1 深度定制与优化的检测模型
对 YOLOv8 框架进行了定制化改进，从骨干网络、颈部到头部结构全面优化，强
化了多尺度检测，并引入先进注意力机制，同时结合丰富且针对性的数据增强策
略，极大提升了对肺结节尤其是微小肺结节的检测精度与模型泛化性能。此外，
通过模型压缩和加速技术优化部署流程，适应不了同硬件条件，确保推理速度与
稳定性。
4.2.2 多场景广泛应用
系统应用场景丰富，不仅满足医院临床诊断需求，还拓展至基层医疗机构肺癌筛
查、体检中心健康体检及远程医疗等领域。通过与基层合作提升了基层医疗水
平，在体检中心助力早期筛查提高公众健康意识，在远程医疗中实现资了源共
享，让偏远地区患者受益。
4.2.3 完善的数据管理与分析体系
建立健全数据管理和分析体系，对海量临床影像和诊断结果进行存储分析，挖掘
了肺结节分布规律与发展趋势，为临床决策和肺癌研究提供了有力的数据支持，
并依据分析结果持续优化系统，不断提升性能与准确性。
1.技术路线
数据收集与预处理
数据收集：合法合规地收集大量的 CT 影像数据，这些数据涵盖不同年龄段、性
别、种族以及各种肺部疾病类型，以确保模型训练的全面性和代表性。
数据标注：组建专业的医学影像标注团队，团队成员为经过专业培训的标注人
员。标注人员在医生的指导下，对 CT 影像中的肺结节进行精准标注，包括结节
的位置、形态、大小等信息。采用多人交叉标注和审核机制，确保标注数据的准
确性和一致性。
2.数据预处理：利用专业的数据处理软件和算法，对标注好的数据进行预处
理。包括图像增强，提高影像的清晰度和对比度，突出结节特征；数据归一化，
统一图像的尺寸、灰度值等参数，便于后续模型训练。将预处理后的数据按照一
定比例划分为训练集、验证集和测试集，为模型训练和评估提供数据支持。
模型搭建与训练
模型搭建：由深度学习算法团队基于 YOLOv8 算法框架，搭建适用于肺结节智能
定位的模型。根据医学影像的特点和需求，对模型结构进行针对性调整和优化，
例如增加对微小、模糊结节特征提取的模块，提高模型对不同类型结节的检测能
力。
模型训练：使用训练集数据在高性能的 GPU 集群上对模型进行训练。在训练过程
中，实时监控模型的训练指标，如损失函数值、准确率、召回率等，根据指标变
化及时调整训练参数，如学习率、迭代次数等，确保模型能够快速收敛并达到最
佳性能。定期使用验证集数据对模型进行验证，防止模型出现过拟合现象。
模型优化与更新：持续关注医学影像领域的最新研究成果和临床实践反馈，结合
新的数据和技术，对模型进行优化和更新。例如，当出现新的肺部疾病类型或结
节表现形式时，及时收集相关数据并更新到训练集中，重新训练模型，使模型能
够适应不断变化的临床需求。同时，对模型的推理速度进行优化，确保系统在实
际应用中能够快速响应。
3.系统集成与测试
系统集成：将训练好的模型与医学影像处理模块、人机交互界面模块等进行集
成，构建完整的肺结节智能定位系统。确保各个模块之间的数据交互顺畅，系统
运行稳定。在集成过程中，遵循相关的医疗行业标准和规范，保证系统的安全性
和可靠性。
功能测试：组建专业的测试团队，对系统进行全面的功能测试。包括测试系统对
不同类型、大小肺结节的定位准确性，检查人机交互界面的操作便捷性和稳定
性，验证系统与医院现有信息系统（HIS、PACS 等）的对接兼容性等。针对测试
过程中发现的问题，及时反馈给开发团队进行修复和优化。
第一阶段（2025.5 - 2025.12）
算法研究与优化
深入剖析 YOLOv8 算法，针对肺结节在 CT 影像中微小、边界模糊、对比度低等
特点，对网络结构调整。引入 CBAM 注意力机制，使模型聚焦肺结节区域，增强
对微小和模糊结节特征的提取能力。利用 FPN 多尺度特征融合技术，融合不同
分辨率特征信息，提升不同大小结节的检测精度。优化损失函数，采用 CIoU
Loss，提高模型训练效率与定位准确性。通过大量实验对比，记录准确率、召回
率、F1 值等指标，确定最优参数。
网络结构调整：基于 YOLOv8 的 Backbone 层嵌入 CBAM 注意力模块（通道注意力+
空间注意力）， 增强模型对低对比度结节的聚焦 能力；重构 Neck 层的
FPN+PANet 多尺度融合架构，增加浅层特征图的语义信息传递，提升 3-30mm 结
节的检测鲁棒性；采用 Alpha-CIoU 损失函数（动态调整定位损失权重），解决
结节边界模糊导致的回归偏差问题。
性能验证：在 LIDC-IDRI 和自建数据集上开展消融实验，对比不同模块对
AP@0.5、F1-score 的影响，确定最优模型配置。
数据集构建与标注
收集涵盖不同年龄段、性别、种族及多种肺部疾病类型的海量 CT 影像数据，按
统一规范对肺结节的位置、形态、大小等详细信息精准标注。运用旋转、平移等
数据增强技术扩充数据集，提高模型泛化能力。同时清洗和预处理数据，去除低
质量影像，统一图像参数，为模型训练做准备。
第二阶段（2025.12 - 2026.6）
系统集成与开发
将优化后的 YOLOv8 算法与医学影像处理、人机交互界面模块深度集成。医学影
像处理模块对 CT 影像预处理、增强，突出肺结节特征，为人机交互界面提供高
质量数据。人机交互界面注重用户体验，直观易用，医生可实时查看肺结节定位
结果，点击获取详细信息，支持多视图切换，提高阅片效率。实现实时反馈功
能，医生可标记纠正不准确或遗漏的结节，系统自动学习优化诊断模型。开发智
能辅助诊断功能，结合医学知识和临床经验提供诊断建议和决策支持。
第三阶段（2026.6 - 2026.11）
合作推广与应用拓展
积极寻找战略合作伙伴，与医疗机构合作，将系统用于临床诊断，提高检测效率
和准确性，为患者提供优质服务。与制造商合作，将系统集成到 CT 设备，实现
智能化升级。与科研机构合作开展研究项目，提升系统技术水平和应用价值。制
定市场推广策略，针对不同应用领域制定个性化方案，拓展市场。
项目总结与结题
全面总结项目研发、测试、推广过程。评估项目成果，涵盖系统性能、应用效
果。分析实施过程中的问题与解决方法，总结经验教训。准备结题材料，按要求
提交报告和展示材料，完成结题。
在项目筹备阶段，项目组的成员系统性地修读了理论知识，并且参与了肺部影像
的初步分析项目，利用图像处理技术对肺部 CT 影像进行降噪等预处理操作，从
而提高影像的清晰度和可读性。部分成员对肺部影像的结构和特征进行了深度学
习，能够初步进行对肺结节的精确定位识别。目前，已经初步完成 YOLOv8 算法
的模型搭建，并且尝试在肺部 CT 影像数据集上进行训练和进一步优化。
已具备的条件：学校提供了良好的科研环境和实验设备，如图书馆丰富的学术资
源、高性能计算平台等，方便查阅资料和进行算法训练。团队已与多家医疗机构
建立初步合作意向，为数据收集和临床验证创造了条件。成员掌握深度学习算法
和编程技术，可进行算法优化和系统开发。
尚缺少的条件：项目数据标注需大量专业医学知识，目前团队医学知识储备不
足；系统开发中缺乏专业医学影像处理软件和部分高性能硬件设备；市场推广需
要资金和渠道资源。
解决方法：邀请医学影像专家培训团队成员医学知识，指导数据标注。申请学校
科研经费、与企业合作购置专业软件和高性能硬件。参加创新创业比赛、学术交
流活动拓展市场推广渠道，吸引投资与合作。

经费预算

开支科目 预算经费（元） 主要用途 阶段下达经费计划（元）
前半阶段 后半阶段
预算经费总额 7000.00 综合 4000.00 3000.00
1. 业务费 3000.00 综合 1600.00 1400.00
（1）计算、分析、测试费 600.00 服务器租赁 400.00 200.00
（2）能源动力费 800.00 参加比赛 400.00 400.00
（3）会议、差旅费 600.00 参加会议 300.00 300.00
（4）文献检索费 500.00 文献检索 300.00 200.00
（5）论文出版费 500.00 出版论文 200.00 300.00
2. 仪器设备购置费 2500.00 购买相关设备 1500.00 1000.00
3. 实验装置试制费 500.00 试制相关设备 300.00 200.00
4. 材料费 1000.00 准备材料 600.00 400.00
结束

用户单位： 济宁医学院        

版权所有： 南京先极科技有限公司        

访问量：0001176144