[论文解读] False Positive Reduction in Lung Computed Tomography Images using Convolutional Neural Networks

Görkem Polat, Uğur Halıcı+1 more|arXiv (Cornell University)|Nov 4, 2018

Lung Cancer Diagnosis and Treatment参考文献 10被引用 4

一句话总结

本文提出了一种基于3D卷积神经网络（CNN）的框架，用于减少肺部计算机断层扫描（CT）筛查中的假阳性结果，利用3D数据保留空间信息，提升结节分类性能。该方法在LUNA16挑战赛中，于七个预设的假阳性率下实现了0.786的平均敏感度，表明即使简单的3D CNN架构在假阳性减少方面也优于传统方法。

ABSTRACT

Recent studies have shown that lung cancer screening using annual low-dose computed tomography (CT) reduces lung cancer mortality by 20% compared to traditional chest radiography. Therefore, CT lung screening has started to be used widely all across the world. However, analyzing these images is a serious burden for radiologists. In this study, we propose a novel and simple framework that analyzes CT lung screenings using convolutional neural networks (CNNs) and reduces false positives. Our framework shows that even non-complex architectures are very powerful to classify 3D nodule data when compared to traditional methods. We also use different fusions in order to show their power and effect on the overall score. 3D CNNs are preferred over 2D CNNs because data are in 3D, and 2D convolutional operations may result in information loss. Mini-batch is used in order to overcome class-imbalance. Proposed framework has been validated according to the LUNA16 challenge evaluation and got score of 0.786, which is the average sensitivity values at seven predefined false positive (FP) points.

研究动机与目标

• 为解决肺部CT筛查中假阳性率过高的问题，该问题给放射科医生带来负担并降低诊断可靠性。
• 开发一种深度学习框架，利用3D CNN有效分类3D肺部结节，以最小化假阳性结果。
• 评估不同特征融合策略在提升分类准确度方面的效果。
• 在标准化的LUNA16基准数据集上验证该框架，以便与现有方法进行公平比较。

提出的方法

• 该框架采用3D卷积神经网络处理体素CT数据，保留了2D方法中丢失的空间上下文信息。
• 采用小批量训练以缓解类别不平衡问题，其中良性结节的数量远超恶性结节。
• 应用多种融合策略，将不同网络分支的特征进行结合，以增强判别能力。
• 模型在LUNA16数据集上进行训练和评估，使用标准评估指标，包括在预设假阳性率下的敏感度。
• 架构设计简洁而高效，专注于3D卷积相较于2D卷积在体素数据中的实用性。
• 评估采用官方LUNA16挑战赛协议，测量在七个假阳性点上的平均敏感度。

实验结果

研究问题

• RQ1 简单的3D CNN架构是否能在肺部CT结节分类中实现优于传统方法的假阳性减少效果？
• RQ2 与2D卷积相比，3D卷积在保留体素CT扫描诊断信息方面表现如何？
• RQ3 不同特征融合策略对假阳性减少框架整体性能的影响是什么？
• RQ4 小批量训练在多大程度上能有效缓解肺部结节分类中的类别不平衡问题？
• RQ5 与最先进方法相比，所提出的框架在标准化LUNA16基准上的表现如何？

主要发现

• 所提出的3D CNN框架在LUNA16挑战赛中，于七个预设假阳性点上实现了0.786的平均敏感度，表明其在假阳性减少方面表现优异。
• 使用3D卷积相比2D操作更好地保留了空间信息，减少了信息丢失并提升了分类准确度。
• 即使非复杂结构的3D CNN架构也优于传统方法，能够更有效地区分恶性与良性结节。
• 特征融合策略对整体性能有积极贡献，证明了其在增强模型鲁棒性方面的价值。
• 小批量训练方法有效缓解了类别不平衡问题，提升了模型对罕见恶性结节的泛化能力。
• 该框架在LUNA16基准上表现出强大的泛化能力，证实了其在真实临床环境中部署的潜力。