[论文解读] Automated Pulmonary Nodule Detection via 3D ConvNets with Online Sample Filtering and Hybrid-Loss Residual Learning

Qi Dou, Hao Chen+4 more|arXiv (Cornell University)|Aug 13, 2017

Lung Cancer Diagnosis and Treatment参考文献 12被引用 12

一句话总结

本文提出了一种用于低剂量CT扫描中自动肺结节检测的两阶段3D ConvNet框架，通过在线样本过滤解决训练过程中难/易样本的不平衡问题，并采用混合损失残差网络，利用空间和大小信息提升检测精度。该方法在LUNA16数据集上取得了0.839的CMP，优于现有最先进方法，在每幅扫描2个假阳性时达到90.6%的敏感性。

ABSTRACT

In this paper, we propose a novel framework with 3D convolutional networks (ConvNets) for automated detection of pulmonary nodules from low-dose CT scans, which is a challenging yet crucial task for lung cancer early diagnosis and treatment. Different from previous standard ConvNets, we try to tackle the severe hard/easy sample imbalance problem in medical datasets and explore the benefits of localized annotations to regularize the learning, and hence boost the performance of ConvNets to achieve more accurate detections. Our proposed framework consists of two stages: 1) candidate screening, and 2) false positive reduction. In the first stage, we establish a 3D fully convolutional network, effectively trained with an online sample filtering scheme, to sensitively and rapidly screen the nodule candidates. In the second stage, we design a hybrid-loss residual network which harnesses the location and size information as important cues to guide the nodule recognition procedure. Experimental results on the public large-scale LUNA16 dataset demonstrate superior performance of our proposed method compared with state-of-the-art approaches for the pulmonary nodule detection task.

研究动机与目标

• 解决医学影像数据集中肺结节检测存在的严重难/易样本不平衡问题。
• 通过利用局部标注（位置与大小）作为监督信号，提升检测精度。
• 开发一种高效、端到端的框架，适用于大规模临床筛查应用。
• 通过训练过程中动态、实时的样本选择，增强模型的泛化能力与判别能力。

提出的方法

• 使用在线样本过滤（OSF）方案训练3D全卷积网络（FCN），在训练过程中优先关注高损失（难）样本，以提升模型的判别能力。
• 候选筛查阶段采用包含五个卷积层和一个最大池化层的3D FCN，生成3D得分图以检测结节候选。
• 设计了一种混合损失残差网络用于减少假阳性，结合二元交叉熵损失与回归损失，以实现位置和直径的预测。
• 混合损失函数整合了分类与回归监督，使网络能够同时学习结节的存在性与解剖学特征。
• 该框架以全卷积方式处理整个CT体积，实现每幅扫描少于一分钟的快速推理。
• 模型在公开的LUNA16数据集上进行训练与评估，采用标准的FROC与CMP指标。

实验结果

研究问题

• RQ1 在线样本过滤是否能在肺结节检测中严重类别不平衡的情况下提升模型性能？
• RQ2 将局部标注（位置与大小）作为监督信号是否能提升结节识别的准确性？
• RQ3 混合损失残差网络是否能优于标准分类网络，更有效地区分真实结节与假阳性？
• RQ4 与现有最先进方法相比，该框架在敏感性与假阳性率方面表现如何？

主要发现

• 所提方法在LUNA16数据集上取得了0.839的CMP，优于所有其他最先进方法。
• 在每幅扫描2个假阳性时，方法达到90.6%的敏感性，展现出强大的临床适用性。
• 在线样本过滤方案将筛查敏感性从94.3%提升至97.1%，并将假阳性数从每幅扫描286.2例降至219.1例。
• 混合损失残差网络在每幅扫描1.0个假阳性时达到90.5%的敏感性，显著优于普通深度网络（84.8%）与标准残差网络（86.7%）。
• 消融实验证实，在线样本过滤与混合损失监督在性能提升方面具有独立且协同的作用。
• 该框架处理一幅CT扫描耗时不足一分钟，适用于大规模筛查项目。