基于区域建议网络的肺结节检测及其去假阳性

Pulmonary Nodules Detection and Its Removing False Positive Based on Region Proposal Network

二维码有效期 120s

摘要基于深度学习的肺结节检测技术不断发展,在辅助医生进行肺结节检查的任务中极大提升了肺结节的检出率和诊断的准确率.采用深度学习技术,提出了一种基于区域建议网络(region proposal network,RPN)结构的肺结节检测方法.针对肺结节的去假阳性阶段,将多个分类网络进行了性能对比.在快速区域卷积神经网络(faster region-based convolutional neural network,Faster R-CNN)上进行改进,使用SE(squeeze-and-excitation)结构以及ResNeXt的残差块构成特征提取模块,再结合UNet++网络结构,输出多个尺度的结果.最后将多尺度结果应用在3D RPN候选检测网络和R-CNN网络上,得到了灵敏度较高、假阳率更低的候选结节检测网络.在去假阳性结节网络阶段,用三维深度卷积神经网络(3D deep convolutional neural network,3D DCNN)网络对候选肺结节进行假阳性的筛除,有效去除了部分假阳性肺结节,提升了多个FP/scan检查点的灵敏度.最终得出灵敏度98.8％(8 FP/scan),竞争性指标(competition performance metric,CPM)达到0.879.在去假阳性结节方面,验证了3D DCNN网络相较于其他网络能够取得最好的效果,达到了15.6％的去假阳率.总的来说,所提网络进一步提升了检测的灵敏度,网络模型达到了较好的检测效果.在去假阳性网络方面,得出3D DCNN作为去假阳性网络具有比其他一些网络模型更好的效果.