Pulmonary--Detection2

一. Discriminative Localization in CNNs for WeaklySupervised Segmentation of Pulmonary Nodules（2018）

摘要：
在本文中提出了一种弱监督方法，，该方法可生成仅通过图像级标签训练的精确体素级像素分割。通过采用训练有素的图像分类的卷积神经网络，我们提出的方法从不同尺度的卷积单元的激活图学习区分区域，并使用新颖的候选对象筛选框架识别真正的结节位置。
介绍：
在这项工作中，我们仅利用二进制切片级标签，以弱监督的方式利用CNN进行结节的精确和全自动分割。具体来说，我们采用经典的图像分类CNN模型来检测带有结节的切片，并同时从不同尺度的卷积单元激活图上学习区分区域，以进行粗略分割。然后我们利用同一网络的候选目标筛选框架，以生成准确的定位和细分。
方法：

#two stages: training stage and segmentation stage
First stage: training a CNN model to classify CT slices as with or without nodle
Second stage: coarse segmentation of nodule candidates is generated within a spatial scope defined by the NAM
1.First stage
最后的FC层分类得分为：
激活图：

结节分类得分与激活图的关联通过下式：

通过简单地将NAM上采样到输入图像I的大小，我们可以识别与结节最相关的判别性图像区域。
2.Second stage:

通过上式选择候选结节生成精细分割。
具体来说，分割是在单GAP CNN模型中被分类为“结节切片”的切片上执行的，因为他为具有更高的分类精度。

结果：


对于具有两个结节的切片，我们的框架可以通过对NAM中最上面的两个激活斑点进行分割来检测结节。 我们在带有两个小结节的总共108个切片上测试了检测结果。 2-GAP模型实现了最佳的检测性能，其中两个结节均在50个切片中被正确检测，两个结节中的一个在另外42个切片中被正确检测。 有了足够的训练数据，我们的框架可以扩展到多类分类，以自动确定要在切片中分割的结节数量。

**结论：**在这项工作中，我们提出了肺结节分割的原始设计，通过GAP运算扩展了分类训练的CNN模型，以仅使用弱标记的训练数据（肺结节的存在与否）来学习不同分辨率级别的区分区域。粗细分割使用ICM变形模型提取结节候选物，并利用新颖的候选物筛选框架确定真正的结节。与基于体素的标签相比，我们的方法所需的标签数量减少了Nvoxel / Nslice约100倍。与完全监督的CNN模型（较高的TPR和较低的FPR）相比，我们的弱监督框架的检测性能非常好。我们对检测到的结节的平均分割精度也很高，并且非常接近较大结节的基准方法。在正确检测结节时，完全监督的CNN平均可以实现更准确的分割，这是可以预期的，因为在训练过程中使用的体素级注释提供了处理各种强度模式（尤其是边缘）的更多功能。另一方面，所提出的方法的标准偏差较小，因此表明较大的错误较少。

二. Fast CapsNet for Lung Cancer Screening（2018）

摘要：
本文研究了使用胶囊网络（CapsNets）替代CNN的方法。结果显示，当训练样本数量较少时，CapsNets明显优于CNN。为了提高计算效率，本文提出了一种一致的动态路由机制，可使CapsNets的原始图像重建方法在肺结节数据上的表现较差。本文提出了一种有效的替代方案，称为卷积解码器，它可以降低重建误差并提高分类精度。
本文的贡献：1.研究了CapsNets在3D肺结节分类任务中的性能； 2.提出了一种一致的动态路由机制来加快CapsNets的速度； 3.开发了一种卷积解码器，在重构最终胶囊网络的输入时功能更强大。

方法：

结果：



结论：
本文工作表明CapsNet是CNN的有希望的替代方案。 实验结果表明，当训练量很大时，CapsNets可以比CNN更好，但是在小数据集上，CapsNets的性能明显优于CNN。 本文表明，通过修改路由机制，可以将CapsNets加快3倍，同时保持相同的准确性。 将来，继续探索CapsNets的无监督学习。

总结：

今天阅读的两篇的文章均是MICCAI上2018的文章，从研究内容来看，目前的研究内容依然大部分停留在肺结节的检测上，且均是基于神经网络模型，而且两者均有理论知识的支撑，可以使文章更有说服力，胶囊网络由于是初次接触，还没有理解的很透彻，再接再厉！