[论文解读] A Pulmonary Nodule Detection Model Based on Progressive Resolution and Hierarchical Saliency

Junjie Zhang, Yong Xia+1 more|arXiv (Cornell University)|Jul 2, 2018

Lung Cancer Diagnosis and Treatment参考文献 11被引用 3

一句话总结

该论文提出了一种用于胸部CT扫描中肺结节检测的两阶段深度学习框架，结合基于3D渐进分辨率的全卷积网络（PRN）检测候选结节，以及基于分层显著性3D卷积神经网络（HSN）对真实结节进行分类并估计其直径。该方法在LUNA16基准测试中取得了0.958的FROC分数，优于排行榜上所有先前的参赛作品。

ABSTRACT

Detection of pulmonary nodules on chest CT is an essential step in the early diagnosis of lung cancer, which is critical for best patient care. Although a number of computer-aided nodule detection methods have been published in the literature, these methods still have two major drawbacks: missing out true nodules during the detection of nodule candidates and less-accurate identification of nodules from non-nodule. In this paper, we propose an automated pulmonary nodule detection algorithm that jointly combines progressive resolution and hierarchical saliency. Specifically, we design a 3D progressive resolution-based densely dilated FCN, namely the progressive resolution network (PRN), to detect nodule candidates inside the lung, and construct a densely dilated 3D CNN with hierarchical saliency, namely the hierarchical saliency network (HSN), to simultaneously identify genuine nodules from those candidates and estimate the diameters of nodules. We evaluated our algorithm on the benchmark LUng Nodule Analysis 2016 (LUNA16) dataset and achieved a state-of-the-art detection score. Our results suggest that the proposed algorithm can effectively detect pulmonary nodules on chest CT and accurately estimate their diameters.

研究动机与目标

• 解决现有CADe系统在漏检真实结节和误分类非结节方面的局限性。
• 通过利用多尺度、渐进分辨率特征学习，提升结节候选检测性能。
• 通过在3D卷积神经网络中使用分层显著性特征，增强结节验证与直径估计。
• 在LUNA16基准数据集上实现最先进性能。
• 实现高精度、实时检测，适用于临床部署。

提出的方法

• 渐进分辨率网络（PRN）采用具有多尺度感受野的3D密集空洞全卷积网络，以在不同分辨率下检测结节候选。
• 分层显著性网络（HSN）采用具有分层特征学习能力的3D卷积神经网络，将候选结节分类为真实结节并估计其直径。
• HSN使用3D过渡层与密集连接结构，以及3D DDB模块，以捕捉多层次上下文特征。
• 回归头采用平均绝对误差损失函数估计结节直径，分类头则使用线性输出判断结节的真实性。
• 通过旋转和翻转进行数据增强，以增加正样本的多样性，训练过程中正负样本比例设定为1:10。
• 测试阶段采用32×32×32体素的滑动窗口遍历肺部区域，通过多数投票与增强预测结果的平均值获得最终检测结果。

实验结果

研究问题

• RQ1 渐进分辨率策略是否能提升在3D CT扫描中对小而细微的肺结节候选的检测能力？
• RQ2 分层显著性特征是否能增强3D卷积神经网络中对真实结节与假阳性结节的区分能力？
• RQ3 联合使用候选检测与精细化分类是否能提升基准数据集上的整体结节检测性能？
• RQ4 所提方法是否在LUNA16数据集上优于现有最先进方法？
• RQ5 该方法在计算效率上是否足够高，可实现临床环境下的实时部署？

主要发现

• 所提方法在LUNA16数据集上取得了0.958的FROC分数，超越了此前最佳记录0.951。
• 检测结节与真实结节直径之间的平均绝对差为1.34 mm，表明尺寸估计具有高精度。
• 该方法成功检测到直径小于5 mm的小结节，展现出对早期病变的敏感性。
• HSN模型通过利用分层显著性有效减少了假阳性，能够区分结节与非结节组织之间的细微视觉差异。
• PRN训练耗时约18小时，HSN训练耗时约23小时，单张扫描的推理时间仅约3分钟（在标准硬件上）。
• 该模型在LUNA16挑战赛排行榜上超越了所有前五名参赛作品，确立了新的最先进水平。