Pulmonary--Detection3

一. S4ND: Single-Shot Single-Scale Lung Nodule Detection（2018）

摘要：
在本文中提出了一种名为S4ND的肺结节检测网络，与当前文献相比，我们的方法使用单个网络的单个前馈进行检测，并提供更好的性能。整个路径设计为具有密集连接的单个3D卷积神经网络（CNN），以端到端的方式进行训练。S4ND不需要任何进一步的后续处理或用户指导来完善检测结果。
贡献：
提出一个完整的3D深度网络体系结构，旨在使用单尺度网络在一次输入中检测肺结节。这是第一个可以一步完成肺结节检测的研究，我们针对此问题使用了具有密集连接的卷积块，从而使一步结节检测在计算上可行。

方法：

输入：16 X 16 X 8的网格
网络：3D 密集CNN
输出：概率图，指出每个单元格中是否存在结节

损失函数：

结果：

二.Accurate Pulmonary Nodule Detection in Computed Tomography Images Using Deep Convolutional Neural Networks（2017）

摘要：
在本文中提出了一种基于DCNNs的新型肺结节检测方法。首先在基于快速区域的卷积神经网络（faster rcnn）中引入反卷积结构，以对轴向切片进行候选对象检测。然后为后续的假阳性减少提供了三维DCNN。

方法：

two stages : pulmonary detection and false positive reduction
First stage : 用VGG16构成的Faster Rcnn检测肺结节，引入反卷积的目的是拟合结节的大小
损失函数：

Second stage :

结果：


**总结：**今天的paper依旧主要从目标提议和降低假阳性两个方面研究，个人认为在目标检测这个方向的研究相对很成熟了，但是结节分类任务还需进一步研究，加油！