[论文解读] DeepLung: 3D Deep Convolutional Nets for Automated Pulmonary Nodule Detection and Classification

Wentao Zhu, Chaochun Liu+2 more|arXiv (Cornell University)|Sep 16, 2017

Lung Cancer Diagnosis and Treatment参考文献 24被引用 4

一句话总结

DeepLung 是一种完全自动化的 3D 深度学习系统，用于肺癌诊断，采用具有 U-Net 类似架构的 3D Faster R-CNN 进行结节检测，并使用带有梯度提升的 3D 双路径网络进行分类。该系统在 LIDC-IDRI 数据集上的表现超越了四位经验丰富的放射科医生的平均水平，实现了结节级别和患者级别诊断的最先进结果。

ABSTRACT

In this work, we present a fully automated lung CT cancer diagnosis system, DeepLung. DeepLung contains two parts, nodule detection and classification. Considering the 3D nature of lung CT data, two 3D networks are designed for the nodule detection and classification respectively. Specifically, a 3D Faster R-CNN is designed for nodule detection with a U-net-like encoder-decoder structure to effectively learn nodule features. For nodule classification, gradient boosting machine (GBM) with 3D dual path network (DPN) features is proposed. The nodule classification subnetwork is validated on a public dataset from LIDC-IDRI, on which it achieves better performance than state-of-the-art approaches, and surpasses the average performance of four experienced doctors. For the DeepLung system, candidate nodules are detected first by the nodule detection subnetwork, and nodule diagnosis is conducted by the classification subnetwork. Extensive experimental results demonstrate the DeepLung is comparable to the experienced doctors both for the nodule-level and patient-level diagnosis on the LIDC-IDRI dataset.

研究动机与目标

• 开发一种完全自动化、端到端的肺 CT 癌症诊断系统，集成结节检测与分类功能。
• 通过利用 3D 卷积网络在体素 CT 数据上进行更优的特征学习，解决传统 CAD 系统的局限性。
• 利用深度学习与集成建模技术，在结节分类任务中超越人类放射科医生的表现。
• 构建一个统一框架，通过融合单个结节预测结果，实现患者级别的诊断。

提出的方法

• 采用具有 U-Net 类似编码器-解码器结构的 3D Faster R-CNN 进行结节检测，从而从体素 CT 扫描中有效学习 3D 特征。
• 将检测到的结节裁剪后输入 3D 深度双路径网络（DPN），以提取分层的、尺度不变的特征。
• 在 DPN 特征、结节大小和原始结节像素强度的组合基础上训练梯度提升机（GBM）以完成最终分类。
• 系统首先执行结节检测，随后进行分类，并融合结果以实现患者级别的诊断。
• 在 LIDC-IDRI 和 LUNA16 数据集上使用标准评估协议对框架进行验证，涵盖检测与分类任务。
• 通过消融研究和检测与分类结果的可视化，分析模型行为及假阳性情况。

实验结果

研究问题

• RQ1 完全自动化的 3D 深度学习系统是否能在肺结节分类任务中超越经验丰富的放射科医生？
• RQ2 具有 U-Net 类似架构的 3D Faster R-CNN 在低剂量 CT 扫描中检测肺结节的效能如何？
• RQ3 结合梯度提升的 3D 双路径网络是否能提升分类准确率，超过现有深度学习与传统方法？
• RQ4 结合深度特征、结节大小与原始像素数据在多大程度上能提升分类性能？
• RQ5 该系统是否能在结节级别和患者级别诊断中均达到与放射科医生相当的性能？

主要发现

• 结节分类子网络在 LIDC-IDRI 数据集上实现了最先进性能，超越了四位经验丰富的放射科医生的平均表现。
• 具有 U-Net 类似架构的 3D Faster R-CNN 展现出强大的检测能力，对大于 3mm 的结节具有较高的检测概率。
• 假阳性检测主要集中在小结节（<3mm），这些结节未被纳入真实标注，表明系统对噪声具有鲁棒性。
• 可视化结果显示，该模型正确分类了部分被某些放射科医生误诊的结节，尤其是边界细微或不规则的结节。
• 模型在检测微弱或模糊的不规则边界方面存在局限，导致在部分复杂病例中出现假阴性。
• 该系统在结节级别和患者级别诊断中均达到了与经验丰富的放射科医生相当的性能，验证了其临床潜力。