[论文解读] NoduleNet: Decoupled False Positive Reductionfor Pulmonary Nodule Detection and Segmentation

Hao Tang, Chupeng Zhang+1 more|arXiv (Cornell University)|Jul 25, 2019

Lung Cancer Diagnosis and Treatment参考文献 19被引用 9

一句话总结

NoduleNet 是一种新颖的端到端 3D 深度卷积神经网络，通过多任务学习联合执行肺部结节检测、假阳性减少和分割。通过为检测和假阳性减少使用解耦特征图，并引入分割精炼子网络，该模型在 LIDC 数据集上将结节检测准确率提高了 10.27%，并实现了 83.10% 的分割 Dice-Sørensen 系数（DSC），达到当前最先进水平。

ABSTRACT

Pulmonary nodule detection, false positive reduction and segmentation represent three of the most common tasks in the computeraided analysis of chest CT images. Methods have been proposed for eachtask with deep learning based methods heavily favored recently. However training deep learning models to solve each task separately may be sub-optimal - resource intensive and without the benefit of feature sharing. Here, we propose a new end-to-end 3D deep convolutional neural net (DCNN), called NoduleNet, to solve nodule detection, false positive reduction and nodule segmentation jointly in a multi-task fashion. To avoid friction between different tasks and encourage feature diversification, we incorporate two major design tricks: 1) decoupled feature maps for nodule detection and false positive reduction, and 2) a segmentation refinement subnet for increasing the precision of nodule segmentation. Extensive experiments on the large-scale LIDC dataset demonstrate that the multi-task training is highly beneficial, improving the nodule detection accuracy by 10.27%, compared to the baseline model trained to only solve the nodule detection task. We also carry out systematic ablation studies to highlight contributions from each of the added components. Code is available at https://github.com/uci-cbcl/NoduleNet.

研究动机与目标

• 解决为肺部结节检测、假阳性减少和分割分别训练深度学习模型所导致的效率低下和性能不佳问题。
• 提升任务间的特征共享，以增强模型效率和性能，同时避免冲突目标之间的干扰。
• 开发一个统一框架，利用分割掩码指导检测，并在联合学习范式中减少假阳性。
• 证明解耦特征学习和分割精炼在大规模 3D 胸部 CT 数据上提升检测和分割准确率的有效性。

提出的方法

• 提出一种多任务 3D DCNN 架构，采用共享特征提取主干网络，用于结节检测、假阳性减少和分割。
• 引入解耦特征图：一个用于结节检测（定位），另一个用于假阳性减少（分类），以实现任务特定的特征学习。
• 采用分割精炼子网络，利用早期层的特征对初始分割预测进行精炼，以提高精度。
• 使用 3D 区域提议网络（RPN）进行结节候选筛选，随后通过 3D 分类器进行假阳性减少。
• 采用多任务训练策略，共享主干网络并使用任务特定的分类头，实现所有组件的端到端优化。
• 在检测分支中使用 3×3×3 和 1×1×1 的 3D 卷积层，分别用于分类和回归头。

实验结果

研究问题

• RQ1 与分别训练模型相比，联合学习结节检测、假阳性减少和分割是否能提升整体性能？
• RQ2 为检测和分类解耦特征图是否能减少干扰并提升特征表示质量？
• RQ3 在多任务设置中，分割精炼子网络在多大程度上提升了结节分割的精度？
• RQ4 与单任务训练相比，使用共享特征的多任务训练在检测准确率和分割质量方面表现如何？
• RQ5 各架构组件（如解耦特征、精炼子网络）对最终性能的贡献有多大？

主要发现

• 与仅针对检测训练的单任务基线模型相比，NoduleNet 将结节检测准确率提高了 10.27%，在 LIDC 数据集上达到 87.27% 的 CPM。
• 该模型在结节分割上实现了 83.10% 的当前最先进 Dice-Sørensen 系数（DSC），优于先前方法，且无需额外的分割网络。
• 消融研究证实，解耦特征图显著提升了性能，通过实现任务特定的特征学习，检测准确率相比共享特征图最高提升 1.5%。
• 与无精炼的基线相比，分割精炼子网络使 DSC 提升了 1.3%，证明其在提升分割精度方面的有效性。
• 融合 NCS 和 FPR 分支的预测结果使检测性能提升 0.7%–1.0%，证实结合不同层次上下文信息的优势。
• 使用共享主干网络的多任务训练在所有组件上均持续提升性能，表明特征共享有助于提升泛化能力和效率。