![54eca029558efe00170ded7c604dba96.png](https://i-blog.csdnimg.cn/blog_migrate/d81114053a8a8fb8055f99bffb1a4f7b.jpeg)
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