[论文解读] ULDor: A Universal Lesion Detector for CT Scans with Pseudo Masks and Hard Negative Example Mining

Youbao Tang, Ke Yan+4 more|arXiv (Cornell University)|Jan 18, 2019

Advanced Neural Network Applications参考文献 9被引用 4

一句话总结

ULDor 提出了一种基于伪掩码和难样本挖掘（HNEM）的通用CT扫描病灶检测方法，以提升检测性能。通过利用 RECIST 注释生成替代掩码，并迭代地利用挖掘出的假阳性样本优化模型，ULDor 在每张图像5个假阳性条件下实现了86.21%的敏感度，优于先前方法。

ABSTRACT

Automatic lesion detection from computed tomography (CT) scans is an important task in medical imaging analysis. It is still very challenging due to similar appearances (e.g. intensity and texture) between lesions and other tissues, making it especially difficult to develop a universal lesion detector. Instead of developing a specific-type lesion detector, this work builds a Universal Lesion Detector (ULDor) based on Mask R-CNN, which is able to detect all different kinds of lesions from whole body parts. As a state-of-the-art object detector, Mask R-CNN adds a branch for predicting segmentation masks on each Region of Interest (RoI) to improve the detection performance. However, it is almost impossible to manually annotate a large-scale dataset with pixel-level lesion masks to train the Mask R-CNN for lesion detection. To address this problem, this work constructs a pseudo mask for each lesion region that can be considered as a surrogate of the real mask, based on which the Mask R-CNN is employed for lesion detection. On the other hand, this work proposes a hard negative example mining strategy to reduce the false positives for improving the detection performance. Experimental results on the NIH DeepLesion dataset demonstrate that the ULDor is enhanced using pseudo masks and the proposed hard negative example mining strategy and achieves a sensitivity of 86.21% with five false positives per image.

研究动机与目标

• 开发一种能够识别全身影像CT扫描中多种病灶类型的通用病灶检测器。
• 通过利用RECIST注释构建伪掩码，解决像素级病灶注释有限的问题。
• 采用难负样本挖掘（HNEM）策略，减少病灶检测中的假阳性。
• 通过使用挖掘出的负样本重新训练Mask R-CNN模型，实现检测性能的迭代提升。
• 在临床相关场景中实现最先进水平的敏感度，同时最小化假阳性。

提出的方法

• 利用RECIST注释作为Mask R-CNN训练的替代真实标签，构建病灶区域的伪掩码。
• 采用带有RoIAlign的Mask R-CNN，以确保掩码预测的精确空间对齐。
• 应用难负样本挖掘（HNEM）策略，识别并重新训练假阳性候选样本。
• 通过同时使用病灶样本和挖掘出的负样本，迭代重新训练Mask R-CNN模型，以提升特征区分能力。
• 测试阶段采用单次前向传播推理，利用最终优化的模型。
• 在联合训练循环中结合伪掩码与HNEM，以增强检测的鲁棒性和敏感度。

实验结果

研究问题

• RQ1 能否从RECIST注释中生成的伪掩码有效替代真实像素级掩码，用于训练通用病灶检测器？
• RQ2 难负样本挖掘是否能显著减少CT扫描中病灶检测的假阳性？
• RQ3 伪掩码与HNEM的结合是否能将检测敏感度提升至超越现有方法的水平？
• RQ4 使用挖掘出的负样本进行迭代重训练，对真正阳性病灶的排序有何影响？
• RQ5 在使用伪掩码与HNEM时，敏感度与假阳性率之间的权衡关系如何？

主要发现

• ULDor在每张图像5个假阳性条件下实现了86.21%的敏感度，相比先前最先进方法（81.1%）绝对提升了5.11个百分点。
• 使用伪掩码相比不使用掩码预测的Mask R-CNN，显著提升了敏感度，证明了分割监督的价值。
• 难负样本挖掘有效减少了假阳性，表现为在低假阳性率（如5个假阳性/图像）下敏感度高于基线模型。
• 在每张图像最多5个假阳性范围内，该方法在所有假阳性水平上均优于Yan等人[4]，尤其在0.5–2个假阳性区间提升最大。
• 当允许更多假阳性时，使用FP重训练的ULDor敏感度达到94.2%，超过[4]报告的88.0%敏感度。
• 尽管性能有所提升，仍有约5.8%的真正病灶未被检测到，表明在处理低对比度病灶方面仍有进一步优化空间。