[论文解读] A Deep Convolutional Neural Network for Lung Cancer Diagnostic

Mehdi Fatan Serj, Bahram Lavi+2 more|arXiv (Cornell University)|Apr 22, 2018

Lung Cancer Diagnosis and Treatment参考文献 6被引用 42

一句话总结

本论文提出了一种用于从CT影像进行二分类肺癌的深度卷积神经网络架构(dCNN)，并在Kaggle Data Science Bowl 2017上报告了强性能，具有高敏感性和特异性，以及具有竞争力的对数损失。

ABSTRACT

In this paper, we examine the strength of deep learning technique for diagnosing lung cancer on medical image analysis problem. Convolutional neural networks (CNNs) models become popular among the pattern recognition and computer vision research area because of their promising outcome on generating high-level image representations. We propose a new deep learning architecture for learning high-level image representation to achieve high classification accuracy with low variance in medical image binary classification tasks. We aim to learn discriminant compact features at beginning of our deep convolutional neural network. We evaluate our model on Kaggle Data Science Bowl 2017 (KDSB17) data set, and compare it with some related works proposed in the Kaggle competition.

研究动机与目标

• 利用深度学习对医疗CT影像进行早期、准确的肺癌检测。
• 开发一个判别性、紧凑的特征学习CNN架构，用于二分类（癌症 vs 非癌症）。
• 在Kaggle Data Science Bowl 2017数据集上评估模型，并与顶尖竞品进行比较。

提出的方法

• 提出一个包含四个卷积层（11x11、5x5、3x3）、两个最大池化层、一个全连接层以及一个最终的两单元softmax分类器的CNN。
• 在每个卷积层后使用ReLU激活，再进行交叉熵（softmax）损失和多项式逻辑回归目标。
• 使用随机梯度下降进行训练（批量大小128，学习率0.001，动量0.9），对调整为120x120的CT切片进行训练。
• 使用在Kaggle竞赛中使用的敏感性、特异性、F1分数和对数损失来评估性能。

实验结果

研究问题

• RQ1 一个紧凑的深度CNN是否能够从CT切片学习到判别性特征，在二分类情境下将肺癌与非癌症区分开？
• RQ2 相比于领先竞争者，所提出的dCNN在对数损失和标准指标方面在数据集上的表现如何？

主要发现

• 所提出的dCNN达到敏感性0.87，特异性0.991，F1分数0.95。
• 模型实现对数损失0.2098，优于顶尖的Kaggle竞赛对手（例如 grt123 为0.3997）。
• 在Kaggle数据集上，该方法显示出强烈的判别能力，特异性非常高，这得益于癌症无病例图像所占比例较大。
• 混淆矩阵显示在癌症与非癌症分类上效果良好，错误分布有利。