融合特征与图像金字塔:一种以课程学习方式训练的肺结节检测器
计算机视觉与模式识别
2018-08-02 v2
摘要
肺结节在 CT 图像中的大小和外观差异很大。小于 10mm 的结节在卷积神经网络下采样后容易丢失信息,导致灵敏度较低。本文利用 3D 图像与特征金字塔的结合,将低层纹理特征与高层语义特征相融合,从而获得更高的召回率。然而,3D 操作耗时且耗内存,随着医学图像的爆炸式增长,这一情况更加严峻。为解决该问题,我们提出一种通用的课程训练策略以加速训练。设计了一种动态采样方法,挑选出对网络训练贡献最大的部分样本,从而大幅减少时间消耗。在实验中,我们证明了所提出的网络优于以往的 SOTA 方法。同时,我们的采样策略使提案网络在 LUNA16 上的训练时间减半。
引用
@article{arxiv.1807.08135,
title = {Integrating Feature and Image Pyramid: A Lung Nodule Detector Learned in Curriculum Fashion},
author = {Benyuan Sun and Zhen Zhou and Fandong Zhang and Xiuli Li and Yizhou Wang},
journal= {arXiv preprint arXiv:1807.08135},
year = {2018}
}
备注
Nodule Detection, Deep Learning, Curriculum Learning