Deep Breath - 論文閱讀筆記

項目主頁：

https://eliasvansteenkiste.github.io/machine%20learning/lung-cancer-pred/

   

github主頁：

https://github.com/EliasVansteenkiste/dsb3

   

阿里論壇翻譯主頁:

https://tianchi.aliyun.com/competition/new_articleDetail.html?raceId=231601&postsId=626&from=part

   

1 掃描高維CT序列，獲得一部分感興趣區域，根據感興趣區域檢測肺癌

2 具體流程：

• 大海撈針
• 結節檢測
  • 結節分割
  • 肺部分割
  • 塊狀檢測
• 移除非結節
• 惡性預測
• 肺癌診斷
  • 遷移學習
  • 結核診斷
  • 總體預測

       

    The chest scans are produced by a variety of CT scanners, this causes a difference in spacing between voxels of the original scan.？

       

       

結節檢測 （Nodule Detection）

   

1. 結節分割（Nodule Segmentation）

   

在U-net architecture https://arxiv.org/pdf/1505.04597.pdf 的基礎上構建網絡。

U-net是2D醫學圖像分割的經常使用網絡，網絡結構以下：

 

在U-net的結構上，擴展到3D進行分割，步驟爲：

Step 1. 考慮到不一樣scanner獲得CT序列的尺寸有差別，先進行尺寸歸一化，用每一個voxel體素表示1*1*1mm的cube

Step 2. 根據U-net，要對32*32大小的圖像進行分割，則需引入上下文信息，輸入網絡的patch須要兩倍大的尺寸，即64*64。

因此，在三維空間中，以32*32*32爲stride，截取多個64*64*64大小的patch，做爲網絡的輸入，

用來分割32*32*32大小的立方體，所以每一個patch對應的label爲32*32*32的binary mask。

Step 3. 在U-net網絡結構基礎上，構建以下結節分割網絡：

最後一層錯了，輸出應該是1*34*34*34大小

   

   

1. 塊檢測（Blob Detection）

   

經過上一步，獲得了每個體素屬於結節的機率，要根據離散體素點的置信度，找到結節塊（結節的中心和直徑大小，相似於從將灰度機率圖二值化提連通域）。

採用高斯差分（Difference of Gaussian， DoG）方法，在skimage package上實現。

經過此步驟，獲得一系列的candidates，所以接下來要進行filter

   

   

1. 肺部分割

   

根據分割網絡獲得的nodule candidate有不少位於肺結構的外部，所以能夠根據肺部分割結果，移除部分false positives。

Kaggle Tutorial採用形態學進行分割，結構元素大小的選取對分割結果好壞和時間複雜度影響較大。

此外，當肺部包含空腔時，採用形態學方法的肺部分割結果也很差。

   

提出了3D肺部結構分割方法。採用convex hull方法。

   

   

過濾非結節塊（False Positive Reduction）

   

1. 構建網絡，對Blob進行分類。對每一個Blob，輸入鄰域範圍內大小爲48*48*48的patch，用來訓練網絡。
2. 結節尺寸有大有小，所以須要融合narrow 和 wide 感覺野（respective field），即不一樣卷積層輸出的特徵。
3. inception-resnet-v2就是融合不一樣感覺野特徵的網絡結構。相關介紹

   http://blog.csdn.net/u010402786/article/details/52433324

      

• 一方面了加入了BN層，減小了Internal Covariate Shift（內部neuron的數據分佈發生變化），使每一層的輸出都規範化到一個N(0, 1)的高斯； 
• 另一方面學習VGG用2個3x3的conv替代inception模塊中的5x5，既下降了參數數量，也加速計算； 
• 使用3×3的已經很小了，那麼更小的2×2呢？2×2雖然能使得參數進一步下降，可是不如另外一種方式更加有效，

  那就是Asymmetric方式，即便用1×3和3×1兩種來代替3×3的卷積核。這種結構在前幾層效果不太好，但對特徵圖大小爲12~20的中間層效果明顯。 

   

   

   

   

1. 在殘差網絡的基礎上，論文提出的網絡結構以下：

   spatial reduction block，採用pooling和conv，feature map的大小變小

   Feature reduction block，採用C1卷積覈對feature map的維度（個數）進行減小

   Residual convolutional block，將不一樣感覺野神經元計算獲得的feature融合，能檢測多尺度Nodule