Pulmonary--Detection6

一.NoduleNet: Decoupled False Positive Reduction for Pulmonary Nodule Detection and Segmentation（2019）

摘要：
本文提出了一种新的端到端的3D 深度卷积神经网络(DCNN)，名为NoudleNet，是为了解决结节检测，假阳性降低和结节分割的多联合任务。为了避免不同任务之间的冲突和促进特征的提取，主要采用了两个设计技巧：1.分解特征图以进行结节检测和假阳性降低；2.分段细分子网，以提高结节分割的精度
贡献：
1.提出了一个联合的模型来进行结节的检测，假阳性降低和结节分割在同一个框架之内，端到端的进行多任务训练。
2.验证了模型的有效性，相比于只进行结节检测模型，我们的精度提高了10.27%，在DSC上实现了最新的结节分割精度。
3.进行了系统的消融性研究。
方法：

结果：

二.Multi-scale Convolutional Neural Networks for Lung Nodule Classification（2015）

摘要：
本文提出了一种分层学习框架–多尺度卷积神经网络（MCNN），通过从交替堆叠的层中提取判别特征来获取结节的异质性。为了充分量化结节特征，我们的框架利用多尺度结节patch，通过串联从每个输入尺度在最后一层获得的响应神经元激活，来同时学习一组特定类别的特征。实验结果证明了我们的方法在不进行结节分割的情况下对恶性和良性结节进行分类的有效性。
介绍：
与目前主要依靠结节分割和纹理特征描述符进行分类的方法相反，我们提出了一种分层学习框架，通过利用卷积神经网络（CNN）提取特征来捕获结节异质性（如图1所示）。 可以将学习到的功能与最新的分类器（例如，支持向量机（SVM）和随机森林（RF））相结合，以进行相关的计算机辅助诊断（CAD）。

贡献：
1.我们的MCNN采用多尺度原始结节，而不是分段区域，从而提供证据表明从原始结节获得的信息对于肺结节的诊断非常有价值。
2.我们的MCNN消除了任何手工特征工程工作的需要，例如结核纹理，形状紧密度和结核球形度。 MCNN可以自动学习区别特征。
3.尽管直接在结节CT中处理噪声数据具有挑战性，但我们表明，即使是高级别的噪声破坏，所提出的MCNN模型也能有效地捕获结节诊断分类中的结节特征。
方法：
1.卷积神经网络框架

2.多尺度结节表示


结果：



**总结：**今天的两篇paper中，一篇是关于结节的检测的，一篇是关于结节的分类的，在结节检测model中，将结节检测和假阳性降低整合在同一个网络，而在分类model中指针对已经检测出的结节，所以给了我们很好的思路，我们可以想出一种方法，将检测和分类整合在同一个网络模型中，真正做到端到端的检测和分类。