[论文解读] Lung Nodules Detection and Segmentation Using 3D Mask-RCNN

Evi Kopelowitz, Guy Engelhard|arXiv (Cornell University)|Jul 17, 2019

Lung Cancer Diagnosis and Treatment参考文献 13被引用 38

一句话总结

该论文将 MaskRCNN 适配到3D CT 扫描，以端到端检测和分割肺结节，在 LUNA16 上实现了有竞争力的检测和分割。

ABSTRACT

Accurate assessment of Lung nodules is a time consuming and error prone ingredient of the radiologist interpretation work. Automating 3D volume detection and segmentation can improve workflow as well as patient care. Previous works have focused either on detecting lung nodules from a full CT scan or on segmenting them from a small ROI. We adapt the state of the art architecture for 2D object detection and segmentation, MaskRCNN, to handle 3D images and employ it to detect and segment lung nodules from CT scans. We report on competitive results for the lung nodule detection on LUNA16 data set. The added value of our method is that in addition to lung nodule detection, our framework produces 3D segmentations of the detected nodules.

研究动机与目标

• 推动自动化、端到端的3D肺结节检测与分割，以提升放射科医生的工作流程效率和测量精度。
• 将 MaskRCNN 扩展到3D医学影像和小目标检测。
• 展示该模型在检测的同时提供3D结节分割的能力。
• 在 LUNA16 数据集上评估检测性能，与现有方法及放射科医生基准进行对比。
• 评估分割精度以及预测体积与真实体积之间的相关性。

提出的方法

• 将2D MaskRCNN 架构适配为3D CT 数据，输入为128^3 patch，体素间距0.5 mm。
• 使用带有空洞卷积的3D Inception-ResNet-v2 主干，以保持分辨率。
• 使用3D RPN 和 ROI Align 提出并 refinement 结节，以及用于3D分割的MASK头。
• 端到端训练，分类使用 focal loss，MASK分割头使用 IOU loss。
• 进行10折交叉验证并进行强数据增强以缓解过拟合。
• 应用重叠窗口推理、非极大值抑制（NMS）和肺部掩膜滤波以降低假阳性。

实验结果

研究问题

• RQ1 单个端到端的3D网络是否能有效从CT扫描中检测和分割肺结节？
• RQ2 3DMaskRCNN 在 LUNA16 上达到的检测指标（如 CPM、灵敏度、FP 率）是多少？
• RQ3 3DMaskRCNN 的分割性能（DSC）与放射科医生及其他方法相比如何？
• RQ4 预测结节体积与真实体积之间是否存在显著相关性？
• RQ5 后处理步骤（FP降低、肺掩膜）对性能有何影响？

主要发现

• 在 LUNA16 上，3DMaskRCNN 在启用 FP 减少时达到 CPM 0.86；未启用 FP 减少时为 0.826。
• 灵敏度、每张扫描的 FP、CPM 与若干先前方法及放射科医生基准相比具有竞争力或更优。
• 3DMaskRCNN 分割的 DSC 为 70±10，接近放射科医生 (76±16) 与其他方法（直径 CNN 79±19；PN-SAMP-S1 74±3.57）。
• 模型在预测结节体积与真实体积之间展示出强相关性（0.96）。
• 边界的 Hausdorff 距离为 2.49 mm ± 2.05 mm，表明边界精度受小对象尺寸限制。
• 3DMaskRCNN 在一个端到端框架中同时提供检测与完整3D分割，在 LUNA16 上具有竞争力的性能。