[论文解读] 3D G-CNNs for Pulmonary Nodule Detection

Marysia Winkels, Taco Cohen|arXiv (Cornell University)|Apr 12, 2018

Lung Cancer Diagnosis and Treatment参考文献 24被引用 75

一句话总结

本文表明，3D 群等变卷积神经网络（G-CNNs）在肺部结节检测的假阳性降低方面显著提升，并且比标准 3D CNNs 高出约 10 倍的数据效率。

ABSTRACT

Convolutional Neural Networks (CNNs) require a large amount of annotated data to learn from, which is often difficult to obtain in the medical domain. In this paper we show that the sample complexity of CNNs can be significantly improved by using 3D roto-translation group convolutions (G-Convs) instead of the more conventional translational convolutions. These 3D G-CNNs were applied to the problem of false positive reduction for pulmonary nodule detection, and proved to be substantially more effective in terms of performance, sensitivity to malignant nodules, and speed of convergence compared to a strong and comparable baseline architecture with regular convolutions, data augmentation and a similar number of parameters. For every dataset size tested, the G-CNN achieved a FROC score close to the CNN trained on ten times more data.

研究动机与目标

• 由于标注数据有限，推动在肺部结节检测的医学影像分析中实现数据高效。
• 提出并评估 3D 群等变卷积，以改进在旋转和反射变换下的学习。
• 在不同训练集规模下，将 G-CNNs 与平移基线进行比较。
• 在 NLST/LIDC/IDRI 数据集上评估 3D G-CNNs 的收敛速度和数据效率。

提出的方法

• 对选定的对称群（D4、D4h、O、Oh）将标准 Conv3D 替换为 GConv3D。
• 通过应用群变换生成变换后的滤波器组；通过预计算置换 rho(h) 打乱方向通道。
• 通过用 sqrt(|H|) 缩放输出来平衡增强网络，使参数数量与基线相当。
• 使用 Adam 与交叉熵进行训练，采用 Xavier 初始化，并使用单一数据增强方案（旋转、反射、平移、缩放、噪声）。
• 在 NLST/LIDC/IDRI 上以 30–30,000 个样本进行评估，使用 FROC 分析和固定评估协议（ANODE09/LUNA16 式）。

实验结果

研究问题

• RQ1 具有 roto-reflection 群的 3D G-CNNs 在肺部结节的假阳性降低方面的表现，与标准 3D CNNs 相比如何？
• RQ2 在不同训练集规模下，3D G-CNNs 是否比平移（translational）CNNs 更具数据效率且收敛更快？
• RQ3 不同 3D 对称群（D4、D4h、O、Oh）对性能的影响是什么，特别是在数据较少的情形下？

主要发现

• G-CNNs 在所有数据集规模上都优于平移基线。
• G-CNNs 在 N 数据上训练可以达到或超过在 10×N 数据上训练的基线，表明约 10× 数据效率。
• FROC 分数在所有 G-卷积群上均有提升，在小数据情形下尤为显著。
• G-CNNs 收敛速度快于基线，达到相当的验证损失通常需要更少的训练轮次。
• 在各群之间，八面体群（O、Oh）和长方体群（D4、D4h）显示不同的性能模式，特别是在极小数据规模下。
• 在前 Top true positives 的恶性敏感性往往高于基线，适用于 G-CNNs。