肺结节目标检测_【肺结节识别】3D Deep Leaky Noisy-or Network论文

论文地址：Evaluate the Malignancy of Pulmonary Nodules Using the 3D Deep Leaky Noisy-or Network

github地址：3D Deep Leaky Noisy-or Network

1. 概述

• 肺癌自动诊断流程：先检测出肺结节，再评估整个肺部的恶性程度
• 肺癌自动诊断难点：
  • 肺结节和肺癌的关系复杂
  • 肺结节的大小、形态多变
  • 肺部诊断需考虑所有肺结节
  • 3D cnn的memory需求大，标注比2D cnn更困难
• 本文提出：
  • 三维深度神经网络（3D deep neural network）包含 ：检测肺结节的Nodule Detector Net(N-Net)和Case Classification Net（C-Net)
  • leaky noisy-or方法整合multi-instance learning task的结果
• 本文成就：2017年 kaggle data science bowl第一名

2. 数据集

• 比赛提供DSB（Data Science Bowl 2017）: 1397个病例训练，198个病例验证，506个病例测试，标注了每个病人的二值数据，1/0（一年内病人是否得病）；
• 额外公开数据集LUNA（the Lung Nodule Analysis 2016）: 888个病例，标注了1186个肺结节位置

DSB和LUNA数据集的差异：1、LUNA样本的肺结节比DSB的小；2、DSB有许多病理的肺结节长在主支气管（LUNA较少）；3、DSB数据集无肺结节标注

为统一两个数据集，删除LUNA中直径小于6mm的肺结节（临床经验认为直径6mm以下的肺结节通常无危险）。另，人工标注DSB训练集中754个结节和验证集中78个结节。

3. 数据预处理

数据预处理目的在于提取肺部区域，并去除肺部周边噪声。

1）掩膜提取（mask extraction）：二值化 2D图片，区分肺区域和非肺区域
2）凸包和扩张（convex hull& dilation）：若结节长在肺的外