LUNG_CLASSIFICATION论文: 3D multi-view convolutional neural networks for lung nodule classification

在读论文的时候对有些疑惑查的资料的总结：

• multi-view&input-channel?

    multi-view patches: 对每个nodule选6 slices

    input-channel: each channel for each different nodule

            

• filter的作用？

    filter = convolution kernel，滤波器，提取patch的不同特征。

• How to 3D?

    参考的资料来自一个处理视频的3D CNN：对于一个3D的convolution kernel，例如4*4*3，当输入是20*20*60（长、宽、帧数）计算输出的维度就是，(20 - 4 + 1) * (20 - 4 + 1) * (60 - 3 + 1). 这里只是举个例子，实际上输入后会提取出多层不同的信息出来，但是3D CNN的主要思想就是对输入数的维度和平面的维度看做不同的dimension. 

• Global average pooling

    可以取代fully connected layers, and feeds the resulting vector directly into the softmax layer.

    例：100个feature map，每一个feature map看做成对应每一个类的概率的相关值，然后对每一个feature map求平均值（即global average pooling），得到一个100维向量。

总结：这篇论文主要用不同的3D CNN与multi-view strategy的结合在LIDC数据集上验证出了他们的结合能够产生很好的效果。

参考文章：

原论文：http://journals.plos.org/plosone/article?id=10.1371/journal.pone.0188290

3D CNN：https://blog.csdn.net/auto1993/article/details/70948249