[论文解读] 3D Anchor-Free Lesion Detector on Computed Tomography Scans

Ning Zhang, Dechun Wang+5 more|arXiv (Cornell University)|Aug 29, 2019

Medical Imaging Techniques and Applications参考文献 21被引用 4

一句话总结

本文提出一种用于CT扫描的3D无锚点病灶检测框架，将病灶建模为单个关键点而非基于锚点的边界框。通过消除锚点，该方法在挑战性、大尺寸或位于边界处的病灶上相比基于锚点的基线模型实现了更高的准确率和更快的推理速度。

ABSTRACT

Lesions are injuries and abnormal tissues in the human body. Detecting lesions in 3D Computed Tomography (CT) scans can be time-consuming even for very experienced physicians and radiologists. In recent years, CNN based lesion detectors have demonstrated huge potentials. Most of current state-of-the-art lesion detectors employ anchors to enumerate all possible bounding boxes with respect to the dataset in process. This anchor mechanism greatly improves the detection performance while also constraining the generalization ability of detectors. In this paper, we propose an anchor-free lesion detector. The anchor mechanism is removed and lesions are formalized as single keypoints. By doing so, we witness a considerable performance gain in terms of both accuracy and inference speed compared with the anchor-based baseline

研究动机与目标

• 解决基于锚点的3D病灶检测在CT扫描中的局限性，包括高假阳性率和对锚点配置的敏感性。
• 通过移除约束泛化能力并增加计算负载的锚点机制，提升检测性能与推理速度。
• 实现在关键切片无关场景下的鲁棒病灶检测，提升在真实临床应用中的实用性。
• 探究是否可将病灶检测有效重构为3D中的关键点检测任务，利用CT扫描中病灶非重叠的特性。

提出的方法

• 网络采用类似U-Net的3D架构，编码器与解码器路径之间通过跳跃连接保留空间细节。
• 将病灶建模为单个关键点（中心点），消除对锚点模板的需求，降低假阳性率。
• 在多个尺度的特征图上附加检测头，预测关键点位置与置信度分数，无需边界框回归。
• 在每个分辨率层级通过拼接上游与下游特征实现特征融合，以提升定位精度。
• 训练阶段使用64×128×128大小的随机裁剪，测试阶段采用滑动窗口推理以处理大尺寸CT影像。
• 采用改进的损失函数监督关键点定位，通过IoU匹配预测中心点与真实中心点。

实验结果

研究问题

• RQ1 3D无锚点目标检测框架在CT扫描病灶检测中是否能优于基于锚点的方法？
• RQ2 无锚点设计如何影响推理速度以及对大尺寸或边界处病灶的鲁棒性？
• RQ3 将病灶建模为单个关键点是否在各类病灶类型上优于基于锚点的回归方法，提升查全率与精确率？
• RQ4 与需要预先知晓关键切片的先前方法相比，该方法在关键切片无关检测设置下的表现如何？

主要发现

• 无锚点3D病灶检测器在FROC分数与推理速度上均优于基于锚点的基线模型，在Tesla K80上推理时间快12%。
• 无锚点模型对大尺寸病灶（>30mm）表现出显著更高的鲁棒性，无性能下降，而基于锚点的模型则出现不稳定与收敛缓慢的问题。
• 在DeepLesion数据集上，无锚点模型的平均FROC得分为0.852，超过基于锚点模型的0.821。
• 该方法在各类病灶类型上均保持强劲性能，对软组织病灶的查全率下降极小，而先前方法在骨与肾病灶上性能显著下降。
• 由于消除了锚点引起的定位偏差，该模型在未见病灶尺寸与位置（包括扫描边界附近）上泛化能力出色。
• 无锚点设计中不存在非极大值抑制（NMS）瓶颈，显著提升推理速度，尤其在高密度区域表现更优。