用于通用病灶检测的 3D 聚合 Faster R-CNN
计算机视觉与模式识别
2020-01-31 v1
摘要
病灶是人体组织中的损伤与异常。其中许多后续可能发展为癌症等致命疾病。检测病灶对于早期诊断和及时治疗至关重要。为此，计算机断层扫描（CT）常作为筛查工具，使我们能够借助现代目标检测技术来检测病灶。然而，CT 扫描中的病灶通常小而稀疏。病灶的局部区域可能极具迷惑性，导致 Faster R-CNN 中基于区域的分类分支容易失效。因此，现有多数最优方案分别训练两类异构网络（多阶段）以用于候选生成与假阳性削减（FPR）。本文中，我们在 RPN 主干上叠加“聚合分类分支”，强制实现端到端的 3D 聚合 Faster R-CNN 方案。该分类分支配备特征聚合与局部放大层以增强分类分支。我们证明模型在 LUNA16 与 DeepLesion 数据集上均可达到最优性能。特别地，我们在 LUNA16 上以每处理扫描 4.2s 的推理时间取得了最佳单模型 FROC 性能。
引用
@article{arxiv.2001.11071,
title = {3D Aggregated Faster R-CNN for General Lesion Detection},
author = {Ning Zhang and Yu Cao and Benyuan Liu and Yan Luo},
journal= {arXiv preprint arXiv:2001.11071},
year = {2020}
}