Deep Breath - 论文阅读笔记

项目主页：

https://eliasvansteenkiste.github.io/machine%20learning/lung-cancer-pred/

   

github主页：

https://github.com/EliasVansteenkiste/dsb3

   

阿里论坛翻译主页:

https://tianchi.aliyun.com/competition/new_articleDetail.html?raceId=231601&postsId=626&from=part

   

1 扫描高维CT序列，获得一部分感兴趣区域，根据感兴趣区域检测肺癌

2 具体流程：

• 大海捞针
• 结节检测
  • 结节分割
  • 肺部分割
  • 块状检测
• 移除非结节
• 恶性预测
• 肺癌诊断
  • 迁移学习
  • 结核诊断
  • 总体预测

       

    The chest scans are produced by a variety of CT scanners, this causes a difference in spacing between voxels of the original scan.？

       

       

结节检测 （Nodule Detection）

   

1. 结节分割（Nodule Segmentation）

   

在U-net architecture https://arxiv.org/pdf/1505.04597.pdf 的基础上构建网络。

U-net是2D医学图像分割的经常使用网络，网络结构以下：

 

在U-net的结构上，扩展到3D进行分割，步骤为：

Step 1. 考虑到不一样scanner获得CT序列的尺寸有差别，先进行尺寸归一化，用每一个voxel体素表示1*1*1mm的cube

Step 2. 根据U-net，要对32*32大小的图像进行分割，则需引入上下文信息，输入网络的patch须要两倍大的尺寸，即64*64。

因此，在三维空间中，以32*32*32为stride，截取多个64*64*64大小的patch，做为网络的输入，

用来分割32*32*32大小的立方体，所以每一个patch对应的label为32*32*32的binary mask。

Step 3. 在U-net网络结构基础上，构建以下结节分割网络：

最后一层错了，输出应该是1*34*34*34大小

   

   

1. 块检测（Blob Detection）

   

经过上一步，获得了每个体素属于结节的几率，要根据离散体素点的置信度，找到结节块（结节的中心和直径大小，相似于从将灰度几率图二值化提连通域）。

采用高斯差分（Difference of Gaussian， DoG）方法，在skimage package上实现。

经过此步骤，获得一系列的candidates，所以接下来要进行filter

   

   

1. 肺部分割

   

根据分割网络获得的nodule candidate有不少位于肺结构的外部，所以能够根据肺部分割结果，移除部分false positives。

Kaggle Tutorial采用形态学进行分割，结构元素大小的选取对分割结果好坏和时间复杂度影响较大。

此外，当肺部包含空腔时，采用形态学方法的肺部分割结果也很差。

   

提出了3D肺部结构分割方法。采用convex hull方法。

   

   

过滤非结节块（False Positive Reduction）

   

1. 构建网络，对Blob进行分类。对每一个Blob，输入邻域范围内大小为48*48*48的patch，用来训练网络。
2. 结节尺寸有大有小，所以须要融合narrow 和 wide 感觉野（respective field），即不一样卷积层输出的特征。
3. inception-resnet-v2就是融合不一样感觉野特征的网络结构。相关介绍

   http://blog.csdn.net/u010402786/article/details/52433324

      

• 一方面了加入了BN层，减小了Internal Covariate Shift（内部neuron的数据分布发生变化），使每一层的输出都规范化到一个N(0, 1)的高斯； 
• 另一方面学习VGG用2个3x3的conv替代inception模块中的5x5，既下降了参数数量，也加速计算； 
• 使用3×3的已经很小了，那么更小的2×2呢？2×2虽然能使得参数进一步下降，可是不如另外一种方式更加有效，

  那就是Asymmetric方式，即便用1×3和3×1两种来代替3×3的卷积核。这种结构在前几层效果不太好，但对特征图大小为12~20的中间层效果明显。 

   

   

   

   

1. 在残差网络的基础上，论文提出的网络结构以下：

   spatial reduction block，采用pooling和conv，feature map的大小变小

   Feature reduction block，采用C1卷积核对feature map的维度（个数）进行减小

   Residual convolutional block，将不一样感觉野神经元计算获得的feature融合，能检测多尺度Nodule