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!