基于在线样本过滤与混合损失残差学习的3D ConvNets自动肺结节检测
计算机视觉与模式识别
2017-08-15 v1
摘要
在本文中，我们提出了一种基于3D卷积网络(ConvNets)的新框架，用于从低剂量CT扫描中自动检测肺结节，这是肺癌早期诊断和治疗中一项具有挑战性但至关重要的任务。与以往的标准ConvNets不同，我们尝试解决医疗数据集中严重的难/易样本不平衡问题，并探索利用局部化标注来正则化学习，从而提升ConvNets的性能以实现更准确的检测。我们提出的框架包含两个阶段：1) 候选筛选，以及 2) 假阳性抑制。在第一阶段，我们建立了一个3D全卷积网络，通过在线样本过滤方案进行有效训练，以敏感且快速地筛选结节候选。在第二阶段，我们设计了一个混合损失残差网络，利用位置和大小信息作为重要线索来指导结节识别过程。在公开的大规模LUNA16数据集上的实验结果表明，与现有SOTA方法相比，我们提出的方法在肺结节检测任务中表现出优越的性能。
引用
@article{arxiv.1708.03867,
title = {Automated Pulmonary Nodule Detection via 3D ConvNets with Online Sample Filtering and Hybrid-Loss Residual Learning},
author = {Qi Dou and Hao Chen and Yueming Jin and Huangjing Lin and Jing Qin and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:1708.03867},
year = {2017}
}
备注
Accepted to MICCAI 2017