通过深度学习方法进行肺结节的检测

1.肺结节的检测
       根据数据的标签是坐标还是掩膜，选取不同的方法。标签是坐标选取目标检测方法，标签是掩膜则选取图像分割算法.
2.Unet网络介绍
       Unet是一个在医学图像处理领域，应用很广泛的网络结构，是一种全卷积神经网络，输入和输出都是图像，没有全连接层。较浅的高分辨率层用来解决像素定位的问题，较深的层用来解决像素分类的问题。U-NET 构造了一个收缩网络和一个扩张网络，形成了一个 U 型结构。收缩过程通过不断的卷积(convolution)和池化(pooling)操作提取图片特征。扩张过程与收缩过程相对应，通过上采样(upsampling)和卷积操作来获取图片的特征。U-NET 的特点在于收缩网络和扩张网络是相互映射的关系，在扩张的过程中，通过合并与之映射的收缩层特征补全丢失的边界信息，提升预测边缘信息的准确性。与SegNet，VGG 等网络结构相比，U-NET 具有训练时间短，结构简单，样本需求少等优势。
3.损失函数
(1).Dice 损失
       训练分割网络，我们采用 Dice Loss作为损失函数，Dice Loss定义如下：

       Dice 系数是一种集合相似度函数，用来评判两个样本之间的相似程度，两个样本相似度越好，Dice系数越大,相应的损失就越小，故可采用1-Dice作为损失。
4.提取肺实质
       在图像中，最小的单位是像素，每个像素周围有8个邻接像素，常见的邻接关系有2种：4邻接与8邻接。4邻接一共4个点，即上下左右，如下左图所示。8邻接的点一共有8个，包括了对角线位置的点，如下图所示。

       如果像素点A与B邻接，我们称A与B连通，于是我们不加证明的有如下的结论： 如果A与B连通，B与C连通，则A与C连通。 在视觉上看来，彼此连通的点形成了一个区域，而不连通的点形成了不同的区域。这样的一个所有的点彼此连通点构成的集合，我们称为一个连通区域。 下面这符图中，如果考虑4邻接，则有3个连通区域；如果考虑8邻接，则有2个连通区域。

5.分类网络
       分割网络检测的疑似结点中含有大量的假阳性，比例大约是1:20，因此需要一个分类网络进行假阳性衰减，判别每一个疑似结点是否是真阳性，并给出属于真阳性的概率。
数据处理步骤
       分割网络检测处的疑似结点作为分类网络的输入数据，进行与分割阶段相同的归一化，翻转以及随机平移。由于正负样本比例悬殊，在训练分类网络的时候，控制正负样本比例为1:3，比1:1或者不控制比例训的准确率更高。
6.肺结节相关的算法步骤

1. 肺部区域提取。使用图像分割算法生成肺部区域的mask图，然后根据mask图生成肺部区域图像。
   
   
   
2. 疑似肺结节分割。
          利用肺部分割生成的肺部区域图像，加上结节标注信息生成的结节mask图像，训练基于卷积神经网络的肺结节分割器。下图基于卷积网络的肺结节分割结果，对分割结果图像进行二值化，提取连通块等处理，提取出疑似肺结节。由于CT图像是一个扫描序列，参赛者可能需要对多帧的结果进行融合。
   
   
3. 疑似肺结节分类
          找到疑似肺结节后，可以使用常见的图像分类算法（如CNN等）对疑似肺结节进行分类，得出疑似肺结节是否为真正肺结节的概率。下图是找到的肺结节例子。
   
4. 相关评估指标
          根据给出的坐标信息判断结节是否检测正确。如果结节落在以参考标准为中心半径为R的球体中，则认为检测正确。如果检测到小于3mm的结节，赛题组既不认为是错误检测也不认为是正确检测。
          根据提供的结节检测概率，计算一个FROC曲线。Sensitivity在1/8, 1/4, 1/2, 1, 2, 4和8一共7个不同的误报情况下的平均值作为最终评判标准。

Luna16——肺结节检测和良恶性分类挑战赛（一）