Integrating lung parenchyma segmentation and nodule detection with deep multi-task learning

标题： Integrating lung parenchyma segmentation and nodule detection with deep multi-task learning
参考论文：同标题

1. 3D-Unet

2. PDCB（Pyramid dilated convolution block）

选取4种dilation rates，每种dilation rates对应一系列的卷积
每一条卷积操作中，进行类似pyramid convolution（详情见：医学图像处理/2020/11/)的操作，不过卷积核大小是“一样”的，通过嵌入dilation，使得卷积核的扫描范围增大，等效于增大了卷积核。
为了使得不同系列卷积操作最后输出的图像size是一致的，需要将padding size设置为floor(k’/2), k‘表示卷积核实际扫描范围，这也就是Half Padding。

3. 实验细节

• 数据集：The Lung Nodule Analysis 2016(LUNA 16) dataset
• Ten-fold cross-validation experiments :In each round of experiments, we take ninety per- cent of the scans as the training set and the remaining scans as the test set
• Evaluate performance for nodule detection: Free-response receiver operating characteristic(FROC)
• Evaluate performance for lung segmentation: 3D Dice similarity coefficient(DSC)
• 3D depthwise separable
• The size of the feature map from the feature extraction module is set to, W/4 X H/4 X D/4
• encoder: 5 convolution block; decoder: 3 convolution block
• weight decay: 1e-4; momentum: 0.9; batch size: 2

论文中的一些小错误：

• 在PBCD最后一层identity过程中，应该就使用C=128的卷积核，这样才能继续点积，同时作为后续Detection部分输入时，Channel才对的上。 卷积核的Channel数有问题。