Evaluate the Malignancy of Pulmonary Nodules Using the 3D Deep Leaky Noisy-or Network 论文阅读

Kaggle上2017年肺结节检测比赛第一名的算法，其代码的github通道

---

背景

肺结节比赛采用的图像是CT，其中肺结节的影像学表现如下：

1. 和正常组织具有相同的HU值，但是具有不同的形状。
2. 支气管和血管是连续管腔，在根源较厚，在分支处较细；而肺结节一般呈球形。
3. 肺结节有很多类别，具有不同大小和形状，与癌症的相关性也不同。

医生对一位病人的正常阅片时间是10分钟。自动化检测算法的难点如下：

1. 肺结节是3D检测问题。目前主流GPU显存不足以支持整幅图像的输入。之前有文章使用2D的RPN在2D slice上提取proposal，然后整合不同层的结果，形成3D proposal。此外，3D的标注困难也较大(个人觉得label上3D的获取应该是从2D拼接起来的，应该不会太难)，模型容易过拟合。
2. 不同肺结节形状差异大，与正常组织难以区分，如下图。有时候医生也难以确定。
3. 肺结节和肺癌之间的关系复杂。存在肺结节并不一定是肺癌，发生肺癌也不一定能找到可见肺结节。因此，判断发生肺癌的概率和找到的多个肺结节有关，这就成为了多实例学习问题(Multiple Insatnce Learning)。

为了解决上述问题，文章提出以下解决方案：
1. patch-based 3D RPN[detection network]用于预测肺结节的bbox
- 数据增强来防止过拟合
- 低阈值来找出所有可能结节
- top-5 结节用于癌症可能性预测
2. leaky noisy-or 模型用于整合top-5结节的分数[classification network]来计算癌症可能性
- noisy-or模型假设一个事件可以由多个因素引起，其中任何一个因素的发生都可能独立的导致该事件发生。也就是说任何一个肺结节都可能是肺癌。
- leaky noisy-or模型认为即使没有任何因素发生，该事件仍然可能由leakage probabily导致发生。
- classification network 也是3D的神经网络，并且和detection network共用特征提取器。在训练的时候采用交替训练方式。

数据集

模型训练基于以下两个数据集：
1. LUNA16：这个数据集上有888个病人，1186个标记的肺结节。
2. DSB：这个数据集上1397个病人作为训练，198个病人作为验证，506个病人作为测试。作者人工标记了训练集中的754个结节和验证集中的78个结节。
关于为什么要人工标记？尽管都是肺结节检测，但是LUNA16中含有大量小的结节，其肺结节平均直径是8.31mm，而临床经验认为6mm以下的肺结节是没有危险的。而DSB中大的结节较多，平均直径是13.68 mm，此外DSB中有很多结节与主支气管相连，这是LUNA16中很少见的。因此如果直接利用LUNA16作为训练数据，效果不好。为此，作者去掉了LUNA中所有6mm以下的人工标记。

本文算法

预处理

CT图像是对整个胸腔的扫描，包含了肺部以外的组织和器官，为了减少其他组织的干扰，作者首先要提取出肺部区域。

1. Mask extraction：作者首先在2D slice上通过阈值得到了肺部以及周围较暗部分的mask，如图中(b)所示，然后通过连通性分析，去除30mm以下的(肺部是中间一大块，不会这么小)以及离心率大于0.99的(个人感觉一般线状伪影可能是这样)。然后在3D中保留不在边际的(去除周围较暗部分)以及容积在0.68-7.5L之间的。经过这样处理后，一般就能够保留肺部区域，还有一些异常的话，可以利用肺部处于图像中间的特性进行排除。结果如图(c)所示。
2. Convex hull & dilation: 一些结节如果与肺的外壁相连，则不会出现在上述步骤提取的mask中，这种情况是需要避免的。如果想要把他们包含进来，直接的方式是对整个mask进行凸包，不过这样就会引入骨骼那一块，影响比较大。所以根据肺的结构，将其分成两块，如图(d)所示。然后分别对两块进行凸包，并且向外10pixels的膨胀。得到图(f)。不过作者还提了一句，对于肺部底部，由于其形状接近U型，凸包后如果面积大于原始的1.5倍，则放弃凸包，避免引入过多其他组织。
3. 灰度标准化：首先把HU值线性变换到0-255。mask以外的像素灰度都设成170（正常组织的灰度）。膨胀10像素区域中如果灰度高于210，也设成170（为了防止骨头被当成结节）。

1. 到这里觉得挺感慨的，以上做法中涉及到太多经验值参数，自己在项目中每次设经验值的时候都要纠结纠结是不是最优的，会不会在异常情况下出现奇葩效果。是不是应该大胆一点？
2. 还有目前常用的方法是把图像直接输入，从这篇文章来看，如果预处理能够减少神经网络的处理量，去除可能的误导，对效果应该是有很多提升的。

3D CNN for Nodule Detection

检测网络以modifid U-net作为基础，因为是二分类问题，所以提出region proposal后不需要继续分类，因此是one stage。
输入：
考虑到GPU容量，网络采用128*128*128*1的输入大小，随机选择两类patches。其中70%是patches包含至少一个结节，30%是不含结节的（为了保证负样本的收敛）。其中越界填充值为170，结节至少与边界有12pixels的距离。
数据增强方法为随机所有翻转以及resize in 0.8和1.15。

网络结构：

U-net结构能够很好解决结节不同大小的问题。接下来逐步看网络的流程：
1. 输入：128*128*128*1
2. K：两个卷积层，每个卷积层有24个3*3*3的卷积核，padding=1。因此输出为128*128*128*24的feature maps。
3. R：残差块，如图(b)所示。由三个残差单元组成。每个残差单元由卷积，BN，Relu，卷积，BN构成，其中卷积核的大小都是3*3*3。这里面需要注意的是残差前后channels由24变成了32。因此不是y = F(x)+x，而是y=F(x)+Wx，其中W是卷积运算用于改变channels。此处还省略了一个2*2*2 with stride=2 MaxPooling。
4. D：转置卷积，原始U-net中设置成不可学习，注意一下文章此处在实现时的设置。
5. C：融合层。除了和U-net一样，此处作者还添加了h*l*w*3的location information。（个人觉得医学图像中绝对位置对于诊断还是很重要的，之前也尝试过加入位置信息，不过是在输入层中加，作者的这个加法更加合理，因为这种显式的信息应当靠近网络的后端，能够对分割结果起到更大的影响。）具体方法作者说的不是很清楚，我觉得应该是patchs在原始图像中的相对坐标，然后resize到 32*32*32*3的大小。所以融合层的输入的channels是131（64+64+3），然后通过1*1*1的卷积将channels变换到15进行输出。
6. 输出：32*32*32*3*5（此处维度变化是由resize得到的，但是这显然和128维的不对应，倒是和15对应，所以我觉得上一层最后提到的1*1*1卷积是在输出前做的，而不是每个融合层做）。然后3代表每个像素点3个anchor，5代表（o,dx,dy,dz,dr），也就是概率，三维坐标和bbox的直径大小。

损失函数
真值的label记为（Gx，Gy，Gz，Gr），每个Anchor的值记为（Ax，Ay，Az，Ar）。和Faster RCNN中类似，IoU大于0.5的记为P，小于0.02的记为F，其他忽略。
所以其分类损失为：

Lcls=p∗log(p^)+(1−p)∗log(1−p