面向胸部 CT 影像中肺结节的单阶段单期检测

胸部 CT 影像中肺结节的检测在肺癌早期诊断中起着关键作用。人工检查极为耗时且易出错,亟需计算机辅助检测以提高效率并减少误诊。多年来已提出一系列系统,大多遵循两阶段范式:1)候选检测,2)假阳性削减。近来,深度学习已成为算法开发的主导力量。在候选检测方面,先前工作主要基于两阶段 Faster R-CNN 框架,其先以初始子网络生成一组与类别无关的候选区域,再由第二子网络进行分类与边界框回归。相比之下,我们彻底摒弃传统的两阶段范式与两阶段框架,提出训练单一网络进行端到端结节检测,无需迁移学习或后续后处理。我们的特征学习模型是 ResNet 与特征金字塔网络结合的改进版,采用 RReLU 激活函数驱动。主要挑战在于极端的类间与类内样本不平衡状况,其中正样本被庞大的负样本池淹没,该负样本池主要由简单负样本及少量困难负样本构成。直接对所有样本训练会严重损害训练效能。我们提出一种基于补丁的采样策略,作用于一组定期更新的锚框,将采样范围缩小至所有正样本及仅困难负样本,有效解决了该问题。因此,我们的方法在准确率和速度上均大幅优于先前工作。最后,在每扫描 [1/8, 1/4, 1/2, 1, 2, 4, 8] 个假阳性上的主流 FROC 评估,在真实临床环境中远非理想。我们建议以每扫描 [1, 2, 4] 个假阳性的 FROC 作为更优指标。