[论文解读] Single-view 2D CNNs with Fully Automatic Non-nodule Categorization for False Positive Reduction in Pulmonary Nodule Detection

Hyunjun Eun, Daeyeong Kim+2 more|PubMed|Mar 9, 2020

Lung Cancer Diagnosis and Treatment参考文献 43被引用 12

一句话总结

本文提出一种基于单视角2D卷积神经网络的集成模型，结合全自动的非结节分类方法，以降低肺部结节检测中的假阳性率。通过使用基于自编码器的聚类方法对多样化的非结节进行分类，并在每种类别上分别训练2D卷积神经网络，该框架在计算成本极低的情况下实现了最先进性能（FROC得分为0.922，789K参数，1,024M FLOPs/秒），优于基于3D卷积神经网络的方法，同时保持了高效率。

ABSTRACT

We presented a novel false positive reduction framework, the ensemble of single-view 2D CNNs with fully automatic non-nodule categorization, for pulmonary nodule detection. Unlike previous 3D CNN-based frameworks, we utilized 2D CNNs using 2D single views to improve computational efficiency. Also, our training scheme using categorized non-nodules, extends the learning capability of representative features of different non-nodules. Our framework achieved state-of-the-art performance with low computational complexity.

研究动机与目标

• 降低肺部结节检测中的假阳性率，这是临床采纳CAD系统的主要障碍。
• 解决训练数据中结节与非结节之间类别内高度多样性及类别不平衡的问题。
• 在保持或提升性能的同时，克服3D卷积神经网络的高计算成本。
• 通过完全自动化的聚类方法，消除放射科医生对非结节进行人工分类的需求。
• 通过在分类后的非结节类型上进行训练，提升2D卷积神经网络在单视角图像块上的特征学习能力。

提出的方法

• 使用从结节候选区域提取的2D单视角图像块，而非3D体素图像块，以降低计算负载。
• 应用自编码器学习非结节图像块的紧凑表征，用于聚类。
• 在自编码器编码的特征上使用k-means聚类，自动将非结节划分为不同类别。
• 在相同结节样本上，但针对不同非结节类别分别训练2D卷积神经网络，以增强特征判别能力。
• 集成多个2D卷积神经网络的输出，每个网络专精于一种非结节类别，以提升泛化能力。
• 通过将每个卷积神经网络分配至特定非结节类别进行训练，优化训练过程，减少特征混淆，提升学习效率。

实验结果

研究问题

• RQ1 2D单视角卷积神经网络能否实现与3D卷积神经网络相当的最先进假阳性率降低性能？
• RQ2 基于深度特征的全自动非结节分类是否能提升卷积神经网络的泛化能力并减少假阳性？
• RQ3 在不同非结节类别上分别训练多个2D卷积神经网络，是否相比在混合非结节数据上训练能提升特征学习能力？
• RQ4 与3D卷积神经网络相比，所提出的框架是否在显著降低计算复杂度的同时保持高性能？
• RQ5 在LUNA16基准上，基于类别特异性训练的2D卷积神经网络集成模型是否能超越现有的2D和3D方法？

主要发现

• 所提出的框架在LUNA16数据集上取得了0.922的竞争性能指标得分，创下新的最先进水平。
• 该方法仅使用789K参数和每秒1,024M FLOPs，展现出极低的计算复杂度。
• 该框架在更具挑战性的评估设置下（对每幅扫描的假阳性更敏感）仍优于Multi-MTANN及其他基于3D卷积神经网络的方法。
• 全自动非结节分类显著提升了模型的泛化能力，表现为在混合非结节与分类非结节上训练的模型之间的性能差距。
• 在不同非结节类别上训练的2D卷积神经网络集成模型优于单一网络，证实了多样化训练的优势。
• 消融实验确认，非结节分类是性能提升的关键因素，基于自编码器（AE）和去噪自编码器（DAE）的训练集取得了最佳结果。