文章目录
- LSSANet: A Long Short Slice-Aware Network for Pulmonary Nodule Detection
- 摘要
- 方法
- Long Short Slice Grouping
- Long Short Slice-Aware Network
- 实验结果
LSSANet: A Long Short Slice-Aware Network for Pulmonary Nodule Detection
摘要
提出了一个长短片感知网络(LSSANet)来检测肺结节
- 开发了一种新的非局部机制,称为长短片分组(LSSG),它将紧凑的非局部嵌入分为短距离切片分组嵌入和长距离切片分组嵌入。
- 这不仅减少了计算负担,而且还保持了片之间和整个特征映射中任何元素之间的长期依赖关系。
- 所提出的LSSG易于使用,可以插入许多肺结节检测网络。
为了验证LSSANet的性能,我们比较了最近提出的几种基于2D/3D CNN的竞争性检测方法。在大规模PN9数据集上取得了令人满意的评价结果,证明了该方法的有效性。
代码链接
方法
(a)我们的长短片感知网络(LSSANet)示意图,其中设计的长短片分组(LSSG)块集成到Ushaped骨干网的编码器中。
(b) LSSG组:使用我们提出的LSSG操作,将三个1 × 1 × 1卷积层产生的嵌入分组为G切片组
然后将三维卷积和GN应用于不同的分组。在深度恢复并与原始表示相结合后,我们得到了一个改进的表示,该表示探索了跨长/短距离切片的元素之间的远程依赖关系
Long Short Slice Grouping
长短片分组(LSSG)操作。(a)()(a)短距离切片分组(SSG)。嵌入(蓝色立方体)沿着深度维度由红色框分组。
(b)长距离切片分组(LSG)。具有相同颜色边框的嵌入属于同一组。
©一组LSSG的详细操作。(网上彩色图)
Long Short Slice-Aware Network
Encoder-Decoder骨干
考虑到3D ResNet50出色的特征提取性能,我们采用其作为编码器。解码器包括两个2 × 2 × 2反卷积层;因此,特征映射可以被上采样到适当的大小。此外,编码器层的两个输出特征映射分别由1 × 1 × 1卷积层调制,然后与解码器层的相应输出相连接。我们提出的LSSG块集成到ResNet50编码器的第二和第三阶段(2到第二和3到第三),SSG和LSG交替出现。
3D区域建议网络
为了产生高度敏感的候选肺结节,首先在骨干输出上应用一个3 × 3 × 3的卷积层。随后是两个平行的1 × 1 × 1卷积层,用于预测与每个体素上的每个锚相关联的分类概率并回归3D边界框。每个锚需要指定六个参数:中心点坐标、宽度、高度和深度。选择了5、10、20、30和50五个尺寸的立方体锚。
使用多任务损失目标
False Positive减少
最后阶段产生的候选结节通常包含许多假阳性。使用候选结节裁剪由ResNet50中的一个浅块和主干的最后一个块生成的特征图;然后将后一个特征映射上采样并与前一个特征映射连接,得到最终的多尺度感兴趣区域(RoI)。然后将3D最大池应用于该RoI。最后利用两个完全连通层生成分类概率和三维边界盒回归项。这里我们使用与上述三维区域建议网络相同的损失函数。它不仅可以减少误报的数量,而且可以进一步细化边界盒回归。
实验结果