استفاده از رویکرد های مبتنی بر یادگیری عمیق به طور گسترده ای در تشخیص ندول های ریوی از اسکن های توموگرافی کامپیوتری (CT) رایج شده است. تشخیص زود هنگام ندول ها در ریه کمک بزرگی به درمان آن در مراحل ابتدایی بیماری است. در این مقاله در ابتدا پس از قطعه بندی از یک الگوریتم رایج تشخیص اشیا به نام YOLO نسخه سوم برای حل این مشکل استفاده شده است. این روش با دو ویژگی متمایز مشخص می شود: الف) یک استخراج کننده ویژگی چند مقیاسی خودکار برای غربالگری ویژگی ندول و ب) یک تولید کننده جعبه مرزی مبتنی بر ویژگی برای تعیین مکان و تخمین اندازه ندول. این شبکه بر روی تصاویر ImageNetآموزش داده شده است و در کاربرد های دیگر میتوان آنرا دوباره آموزش داد. در این پژوهش، جهت ارزیابی از مجموعه داده Lung-Pet-CT-DX استفاده شده است. نتایج تجربی نشان می دهد که این الگوریتم در تشخیص ندول در این پایگاه داده از دقت مطلوبی برخوردار است.
