lung cancer detection

1、Introduction

我们的模型基于3d卷积，统一了nodule检测和癌症分类。模型输入是已经预处理的3d肺部的扫描，同时输出可能的nodule和肺癌的概率（提交的数据）。

整个的解决方案分为三个步骤：预处理，病灶检测和癌症分类

2、预处理

3、Nodule detection

我们设计了三维卷积网络用于检测可疑的病灶。三维的卷积因为不同的任务而做出修改。和一般的目标检测不太一样，肺癌检测病灶只有两种，所以预测的目标可以直接作为检测的结果。并不需要rcnn中第二步分类。

3.1

基于patch输入的训练：

一般的目标识别模型都是采取整幅图像输入，由于3d的CT模型非常大GPU显存不够所以采取分块的输入方式。输入是128x128x128块，其中70%的输入至少包含一个nodule，30%的输入是从肺部CT随随机抽取，所以有可能没有包含nodule,这保证了足够的负样本。(具体的实施细节？？？)

如果patch超出了肺部的范围，就用170填充。nodule target并不一定要落在patch的中间，但是距离边界超出12pixel，一些大的nodule除外。

使用数据增强缓和一些过拟合问题，包括左右的翻转，和不同比例的resize（0.8-1.15）之间。

正样本的平衡：

3.2

nodule size大小很难平衡，小的nodule比大的nodule数量多很多，如果使用统一的采样方法，网络会趋向于检测小的nodule，但是大的nodule非常重要，所以增加了大nodule的采样频率。

3.3 hard negative mining

存在很多负样本和target nodule很像，所以采用在线难例挖掘。

step1：生成patch，获得输出map（confidence和regression terms）

step2:随机选择N个负样本，组成候补pool

step3：根据N个样本的classification confidence排序，最前面的n个样本将作为hard example，剩下的样本不列入loss的计算，在candidate pool中随机抽取，减少负样本之间的协同性，可以通过调整N和n控制hard negative mining。

3.4 网络的结构

网络受Unet启发，由5个3d的resnet block 和4个pooling交错组成，最后一层用于计算输出，32x32x32,两个1x1x1的卷积用于获得classification score和bounding box的回归。

网络有三个不同比率的anchor，10，30，60mm，iou大于0.5将视为postive，小于0.02将视为negative，其他忽略。classification使用二分类交叉熵，regress项目包括∆x=x; ∆y=y; ∆z=z; log(∆r)，使用smoothL1 Loss，最终的shape of final label map is 32 × 32 × 32 × 5 × 3.（最终到底是如何输出的）

3.5 测试阶段的全卷积网络

全卷积网络已经减少了参数，但是在测试阶段仍然超过了显存，为了解决这个问题，我们将CT 3维分成几个部分，分别处理，然后在将结果组合，注意划分的时候重叠采样，减小边缘效应。

4、癌症分类

detection net通过对整个病人的3d数据处理，得到一系列proposal，选取confidence最高的5个proposal，在训练的过程中proposals是通过随机softmax选取。

对于每个proposal选取Nnet输出（32x32x32x128features），将32x32x32中间的2x2x2方块最大池化，生成了128维度的向量，假设最终的诊断是基于5个proposal和一个可能的虚拟的节点。预测的损失

Pd就是dummy nodule。

还有一个额外的损失，如果Pi小于0.03，但是在N Net中又标记为nodule，分类的损失增加-ln(Pi).

交错训练：为了使得N net有意义，我们同时在训练C net时调整Nnet，每一次迭代周期中分别训练Nnet和Cnet，分类任务的第一阶段使用翻转增强数据，然后加上其他的数据增强微调。