《DeepLung: Deep 3D Dual Path Nets for Automated Pulmonary Nodule Detection and Classification》网络模型解读

一、项目背景介绍

3D肺结节的检测和分类在医学领域是一个热门的研究方向，本文就这个问题选取一篇经典的论文进行解读。
下面附上论文下载链接及项目github网址；
Deep 3D Dual Path Nets for Automated Pulmonary Nodule Detection and Classification
github网址

二、网络模型解读之DeepLung框架

总的来说，作者设计了一个三维快速R-CNN用于结节检测，并提出了具有深三维DPN特征、原始结节CT像素和结节大小的GBM用于结节分类。

上面的网络很清楚，对于CT图像，首先使用检测子网（3D快速R-CNN）来检测候选者结节，接下来，使用分类子网（GBM）将检测到的结节分类为恶性或良性。接下来介绍这两个子网。

1. 3D快速R-CNN，用于结节检测的深3D双路径网络

任务说明：从原始图像中检测出肺结节的位置
网络结构：

从图中可以看出，这是一个类似unet的网络结构，而双路径块是指图中的DPN块，接下来我们会讲这个双路径块是怎么回事。
双路径块说明：

双路径连接说明：x是输入，这里x流向2个方向，一个是用于正常的卷积操作，另一个是用于之后的部分的残差连接和另一部分的密集连接。经过两个卷积层之后，x变为F(x)，这里d是超参数 用于决定要利用的新特征的数量。如F(x)[:d]表示取F(x)的前d个特征图，所以在relu前，级联后的输出应该是

G是ReLU激活函数，F是卷积层函数，x是双路径连接块的输入。relu前包含3个部分，一个是原始输入x的密集连接部分x[:d],一个是卷积后的密集连接部分F(x)[:d],另外一个是原始输入x的残差连接部分x[d:]与卷积后的残差部分F(x)[d:]之和。
双路径连接的优点：

• 残差学习用于特征重用
• 密集连接用于增加新的特征

2. 用于结节分类的三维双路径GBM

网络结构：

包含30个3D双路径连接块。训练结束后，提取三维双路网络特征用于梯度增强机进行结节诊断。最后得到一个2560维的111图像。再用3D平均池化和二元逻辑回归层用于良性或恶性诊断。

三. 总结

在这项工作中，我们提出了一个全自动肺部计算机断层扫描（CT）癌症诊断系统DeepLung，DeepLung由两部分组成，结节检测（确定候选结节的位置）和分类（将候选结节分为良性或恶性）。具体为DeepLung系统包括使用3D Faster R-CNN的结节检测和使用具有构造特征的GBM结节分类。