URDNet:一个统一的回归网络GGO检测肺CT图像

文摘

我们提出一个3 d深层神经网络被称为URDNet检测毛玻璃样阴影(GGO)结节3 d CT图像。之前工作GGO检测重新分类器在大量的windows执行检测或微调框回归基于前一个窗口分类步骤。相反,我们认为GGO检测是一个多目标回归问题关注GGO的位置。此外,捕捉多尺度信息,我们引入一个骨干网络,是一个缩放结构类似于2 d U-net,但我们注入源CT输入每一层的感染途径,防止源在不同尺度信息丢失。最后,我们提出一个两阶段URDNet训练方法。在第一阶段,特征提取的骨干网络的训练,在第二,整个URDNet调整是基于前面pretrained权重。通过使用这种训练方法与数据扩充和硬-挖掘技术,可以有效地训练我们的URDNet即使在少量的带注释的CT图像。我们评估LIDC-IDRI数据集的方法。它达到90.8%的敏感性,只有1假阳性/扫描。实验结果表明,我们的检测方法达到优越的检测性能最先进的方法。 Due to its simplicity and effective, URDNet can be easier to apply to medical IoT systems for improving the efficiency of overall health systems.

1。介绍

肺癌目前是全世界癌症死亡的主要原因,负责每年超过130万人死亡1]。检测和治疗肺癌在早期阶段可以提高生存率。GGO是一个非常重要的CT成像的信号检测在早期肺癌的2],它被定义为肺实质没有遮蔽的增加衰减CT图像上的肺血管标记(3]。最近,新的冠状病毒COVID-19流行病盛行,其主要症状也与GGO有关。然而,由于他们的模糊边界和亮度和没有明确的规则形状,GGO结节很容易被忽视,即使是有经验的放射科医生。一个有前途的解决这个问题是使用计算机辅助检测技术。

计算机辅助的传统建筑GGO检测通常由两个阶段组成:GGO候选人检测和减少假阳性(4]。少量的论文已经发表在这个话题。Bastawrous et al。5]应用伽柏过滤器选择候选人和使用一个安减少假阳性。金等。6)提取初步区域使用二值化和分类GGO结节与线性判别函数。雅各布斯et al。7)第一次使用强度、形状、和上下文特征来描述候选人的外观,然后应用线性判别分类器和一个温柔的提高分类器对候选区域进行分类。尽管传统的方法已经取得了有前景的结果,他们仍然遭受低敏感性和可怜的泛化,特别是特别是小GGO结节。

近年来,结节检测基于深层神经网络实现了先进的检测性能。例如,Ginneken et al。8)提出了有前景的结果结节特征的提取使用现成的卷积神经网络(CNN)是pretrained自然图像分类任务。Setio et al。9)使用多个cnn从候选人中提取区别的特性,而这些特性被用来分类为结节或背景的候选人。减少假阳性跟踪实现性能优越。罗斯et al。10)提出了一个有效的2.5 d表示淋巴结检测时利用结节的3 d信息培训深度网络通过切片的CT图像的兴趣点3正交视图。三路片随后被组合成一个图像作为网络的输入。汉et al。11)提出了混合重采样multi-CNN模型3 d GGO结节覆盖很大范围内规模,减少丢失的风险小或大GGO结节。一般来说,这些方法依赖于分类或分类和回归的组合检测。这些类型的方法通常不足够关注的检测和定位问题经常产生漏检和不准确的地方。此外,各种类型的神经已经应用于各种应用程序,例如,图形创意作品的神经网络(12],LVQ神经网络流量预测[13),生成对抗网络(甘斯)风格转移(14),和3 d甘斯创意阶段的模拟场景(15]。最重要的是,GGO检测需要大量的计算在3 d CT和通常要求一个更有效的检测方法来满足医疗物联网的实际需要。

为了克服上述的局限性,我们提出一个统一的回归为GGO深层神经网络检测。我们考虑GGO检测多目标回归问题,直接从3 d CT边界框坐标。收购对象和背景之间的歧视信息,同一pseudotarget(零)被设置为所有负样本,所以pseudotarget也在我们的论文是指示为零的目标。与基于分类方法相比,我们的整个的学习目标探测是一个统一的对象定位回归,可以指导网络学习更好的对象的位置信息。因此,可以更多的关注的本地化问题检测通过使用一个统一的回归中目标函数的方法。和多输入multioutput骨干卷积网络也适用于我们的方法,使其更具代表性。此外,我们设计一个两阶段转移训练方法训练URDNet小注释GGO数据。评估我们的提议URDNet GGO检测的有效性,我们进行GGO检测实验LIDC-IDRI [16),目前最大的公开和大部分常用的数据库肺结节。实验结果表明,该网络是有效和准确的。

总结我们的主要贡献如下:(1)我们提出一个端到端的深卷积神经网络是统一的,只有回归GGO检测3 d CT扫描导致优秀LIDC-IDRI GGO检测的性能。结果检测灵敏度为90.8%,每扫描1假阳性(2)我们引入一个多输入和multioutput结构网络的骨干。骨干不仅保留微妙的位置,也代表了歧视的信息GGO结节(3)我们提出一个统一的回归目标函数对所有样本。阳性样品的位置预测仅被视为传统回归的任务。对负样本,零目标设置。负样本的位置(盒)将退化pseudotarget(零)。(4)我们采用两阶段训练方法训练复杂3 d检测网络给少量的带注释的样本

本文的其余部分组织如下。部分2和3介绍我们的URDNet架构及其训练方法,分别。的实现细节和实验结果讨论了部分4。节中我们得出结论5。

2。URDNet架构

网络架构如图1并由骨干网络特征提取,这是一个多尺度的输入-输出结构,和一个检测头回归单个预测模块的位置,直接生成一组固定的3 d边界框。由于GPU的内存限制,输入的方法只是一种CT数据集与一个固定大小( 在我们的实验)。最终的检测结果是所有检测到的结合GGOs在每个立方体。图1说明了我们的网络的体系结构,将作为输入 CT立方体。介绍了CT预处理的细节。3 d CT扫描,立体像素大小归一化首先表现是由于各种立体像素大小的对象。立体像素大小设置 毫米³通过使用双线性插值(立体像素归一化后,甚至在轴向尺寸片的数量大于128的所有数据在我们的实验)。然后,我们将3 d CT容积划分为若干 立方体slider-patch。对于每一个立方体,它将被输入到我们的URDNet和处理。的更多细节URDNet下面。

2.1。骨干网

骨干网络包括两个主要的途径:感染途径和不断扩大的途径。感染途径的典型架构一个卷积网络。协助网络获取空间信息在不同的尺度,我们构建一个多尺度的输入结构,将采样源输入和喂养成承包通路中的每一层,不仅第一层。提要操作是绿线,如图所示1。我们称这些线连接源输入层中CT感染途径为源连接。缔约途径可以分为五块,输出特性的地图是downsampled乘以2,4,8、16、32 w.r.t.输入数据集的大小。这一块是一个复合函数的连续四个操作:3 d卷积(Conv)批正常化(BN) [17),纠正线性单元(ReLU),池(Avg:平均或马克斯:最大)。

扩张的路径是一个information-expanding过程,阐明了高分辨率特性通过upsampling策略。upsampling过程由一系列层包括unpooling,实现反褶积,BN,执行一个复杂的反褶积和ReLU操作,如先前所述纸(18]。功能的扩大途径是语义上更强,因为从更高层次映射(感染途径的顶部)。相比之下,收缩功能映射由低层语义,但其激活更准确地本地化,因为它是子样品的次数减少。维护本地化信息,扩大途径是增强的功能映射特性映射通过跳过从缔约通路连接。跳过连接副低级特征图谱在决议和语义水平。此外,创建一个地图多尺度特性,具有较强的语义和精确的尺度空间信息,我们将低分辨率和语义强特性与高分辨率和语义弱特征通过自上而下的路径和跳过连接。跳过连接(19)的连接可以跳过一个或多个层。类似的架构采用自顶向下的通道和跳过连接是流行在最近的研究20.- - - - - -22]。然而,只有一个高级特性预测高分辨率的地图应用在之前的网络。相比之下,我们的骨干利用多尺度特征图的独立预测生成的每个水平GGO检测。

2.2。检测头

在传统的滑动窗口检测方法,整个检测空间最终离散成一系列的窗户。我们的网络也可获得输出空间的边界盒为一组锚箱与不同尺度的多个特征图。每个锚箱是一个预定义的箱集中在地图和位置特征与一个特殊的初始规模有关,类似于锚箱用于更快R-CNN [23]。

我们回归预测负责人预测基于一组固定的边界框锚箱和由回归实现3 d从锚箱框相对偏移量可以满足的盒子(更好地匹配GGO形状)使用小型卷积过滤器应用于多个特征图。这些过程显示在黄线和一个黄色矩形框的底部区域图1。根据前一节,扩张的特征映射路径逐步增加大小。多个特征图的多尺度特征图谱是由不同的决议,和每个功能映射可以产生一组检测预测。检测GGO各种尺寸,我们的网络的预测路径可以自然地结合预测的多尺度特征图。此外,在每个特征图的位置,我们同时预测多个盒子不同尺度,但相同的中心。参数化相对于多个箱子对应的锚盒子。例如,左块如图2用于回归结果框。因为我们认为3大小的锚和每个生成的结果是一个四维矢量,这一块的结果 为每个锚向量。锚的数量为每个特征地图位置必须被小心地将涵盖范围更广、更精细的规模,和提供了更多的细节部分4.1。

合箱后得到的预测路径,我们执行nonmaximum抑制(NMS)排除重叠的盒子。对于每一个锚,预测最后产生四位组件映射。如果区域背景、组件图的相应位置非常接近于零。只有盒子nonbackground将保留和其他人将被删除。然后,保留盒子将GGOs如果决定他们的立场是大于一个阈值或non-GGO(背景)。这样的阈值将在应用程序设置。

3所示。训练方法

培训URDNet是一个多目标回归过程,因为它同时退化GGO中心,GGO的直径。的细节我们的网络的目标是在接下来的小节。除此之外,只有少量的CT数据和注释GGO结节,和整体网络很难收敛。我们采用两级转移培训策略来解决这个问题。更有用的策略也给出了下面的部分。

3.1。损失函数

在我们的方法中,一个真正的对象可以表达的一个盒子里。每个箱子对应于一个3 d广场,因此由四维向量表示 ,在哪里 3 d中心点和吗边长的正方形。我们也用一个盒子来表达任何背景的位置,和这个盒子的组件( )设置为零。我们定义的位置这个背景零目标(pseudotarget)。真实对象的目标位置被定义为真正的目标。这样,正面样本(目标窗口)和负样本(背景窗口)可以作为目标位置。我们同样可以表达检测问题作为学习目标,只需要位置回归。

传统的回归损失正样本和一个新的设计回归损失负样本包含在整体定位的损失。

阳性的回归损失是修改后的平滑损失(24]预测之间的3 d边界框(表示 )和真实的3 d边界框(表示 )。类似于更快R-CNN [12),它可以退化为中心(补偿条款 , ,和 )锚的3 d边界框(表示 )和它的半径(表示 )。 在哪里 , , , ,和重量设置为0.6本文通过仔细的实验,这意味着我们集中更多的注意力集中在中心点。

与此同时,由于零目标在我们的负样本的特点,我们设计一个损失函数就退化为零(表示为目标 ), 这意味着几个位置组件可以凝聚为0(零)目标。

总而言之,完整的优化目标 在哪里回归的重量损失负样本,设置为0.5。

3.2。两级培训

我们添加一个分类器模块3 d Avg-pooling ( )层和一层两级softmax背后的骨干网络单人GGO构造一个分类器。的 积极的立方体裁剪等肺扫描,他们只包含一个GGO结节。更积极的数据集生成的数据扩充。的 消极的多维数据集没有结节是随机出现的。更容易建立一个相对大规模数据集训练结节比探测器网络分类器。此外,solo分类器可以训练速度远远超过我们的网络,因为输入大小URDNet的1/8大小,和只有一个二进制分类问题。为了避免收敛速度慢,初始化权重Glorot和Bengio [25初始化。分类器网络训练通过最小化softmax-loss函数与随机梯度下降法(SGD)。

训练后的分类器网络,我们截断分类器网络的权重来初始化我们的骨干和训练URDNet通过微调较小的学习速率。我们发现URDNet损失比从头训练收敛更快。以这种方式训练我们的网络可以有效地缓解过度拟合的问题。

3.3。数据增加

考虑到只有几个训练样本,我们测试了某些数据增加操作。我们利用无损和有损增大,找到以下两个简单但有用的扩增GGO结节补丁:(1)翻转。补丁是随机翻对日冕,矢状和轴向尺寸(2)调整。补丁是随机缩放比例在0.9和1.1之间

我们还测试了其他增强方法,如轴交换和旋转。然而,它没有显著影响。此外,为了提高结节的分类性能,我们采用在线-采矿技术,类似于在线硬例子矿业(OHEM)方法在之前的文献[26]。我们使用网络硬盘-矿业的训练过程。首先,我们处理输入补丁使用网络进行传递和获得数以万计的检测,每一个都与一个盒子和一个分类信心得分。第二,可以接受负样本是随机选择从这些盒子作为候选人池。第三,负样本在这池在降序排序是基于他们的整体损失,和顶部样品选为困难的缺点。

4所示。实验

在本节中,我们首先描述了实验装置。我们引入了数据集的详细信息。锚箱的使用提高了速度和效率的检测深度学习神经网络的一部分。由于它的重要性,然后我们给关于锚的更多细节。最后,我们给我们的两组实验的结果。一组是用来评估我们的URDNet,另一组是用来比较的性能与其他系统。

4.1。实验装置

以下4.4.1。数据集

收集的数据集是最大的公开可用的参考数据库肺结节,LIDC-IDRI [16]。LIDC-IDRI数据库包含1018 CT扫描。每个LIDC-IDRI扫描是由经验丰富的胸带注释的放射科医生使用一个两阶段阅读过程。四个放射科医生带注释的扫描和标记所有可疑病变 毫米, 毫米,或者nonnodule。我们只考虑GGO结节。同时,我们只考虑结节注释的大多数放射科医生(至少3的4放射科医生)在我们的标准参考。302年从299年从LIDC-IDRI收集患者CT扫描。在这些CT扫描,635 GGO结节(271结节注释由放射科医生和364结节注释4放射科医生)被发现。结节的直径变化从3 - 34毫米平均值为10.3毫米。我们使用250 CT扫描作为训练集,其余52测试集。一片从一个单个结节患者位置如图3。

4.1.2。锚的配置

所有的尺度信息的解码URDNet扩大途径,包括 , ,和 ,使用和输入到探测头。锚的数量的大小设置为1,3,5这三个尺度,分别导致9锚的总大小:4、6、8、10、12、16、20、26岁和32毫米。表中列出的细节1。总之,我们将产生47616 锚对于每个CT数据集,基于47616合成框将被计算。我们发现检测规模范围是3毫米和33毫米之间,这是比锚箱的刻度范围大,在我们的测试集。受益于多尺度处理,我们的网络能够适应不断变化的结节的大小。

4.2。实验结果

在我们的实验中,我们使用一个接受者操作特征(FROC)分析[自由反应27]从LIDC-IDRI GGO过滤数据集[16)进行比较。FROC曲线,灵敏度是策划假阳性的平均数量的函数/扫描(FPs /扫描)。在这个工作中,检测的灵敏度定义为分数真阳性的数量除以日渐GGO结节。FROC总体分数的定义是七点敏感性预定义的误测率的平均值:1/8,1/4、1/2,1,2,4,8 FPs每扫描。这个性能指标引入到ANODE09挑战,称为竞争性能指标(CPM)在先前的论文28]。

我们第一次进行三个实验使用不同的骨干或头部检测来评估我们的网络的影响。我们使用相同的训练数据集和数据增强策略。训练网络的其他hyperparameters也共享,除了指定组件的变化。SSD法预测边界框和信心得分基于一组固定的锚盒子,这直接关系到我们URDNet的头检测。相比之下,U-net优雅decoder-encoder结构,但它只使用最后一个特征映射为生物医学应用,而忽略了多输入和multioutput结构。表2列表中的结果GGO检测任务。

很明显,我们URDNet达到最高的敏感性(93.5%),最低的FPs /扫描(6.8)在这些检测实验中,这表明我们的检测网络的优越性。正确检测到某些例子如图4(一)。这些结果表明,URDNet可以准确定位中心GGO结节和回归GGO结节的大小。GGO结节错误检测的例子也显示在图4 (b)。通常,这些结节明显低相反(纯或分散)或靠近其他组织(血液或胸壁),可以考虑特别是劣质GGO结节。为了进一步提高检测性能,额外的区别的特性必须学会一个新的学习方法。

虽然一些方法已经开发了GGO结节检测,比较是微不足道的其他方法。在本文中,我们选择三个GGO检测系统或方法从不同类别进行比较。我们首先选择SubsolidCAD [29日)系统是一种先进的常规方法,它使用4个类别的手工制作的特性来描述外观或内部GGO的特征。系统可以达到平均80%的敏感性与CPM(每扫描1.0假阳性28)为0.734。我们也比较性能与Aidence [30.基于卷积网络)系统,这是最强大的竞争对手和顶级表演者LUNA16挑战。他指的是报告30.),最好的成绩是通过与CPM 0.764 Aidence GGO结节候选人检测任务。Aidence系统使用端到端卷积网络训练的一个子集研究国家肺癌筛查试验(31日]。最后,我们选择了S4ND [32)方法和GA-SSD (33)肺结节检测方法比较,当前最先进的方法。S4ND方法是单发,single-scale方法,虽然GA-SSD基于SSD的一种改进方法通过实施机制的重视。此外,我们URDNet列表之间的性能比较,SubsolidCAD, Aidence S4ND, GA-SSD图5。我们观察到URDNet达到更高的性能。CPM可以达到0.874,超过了SubsolidCAD系统(CPM: 0.734)的相对性能提升19.07%,Aidence系统(CPM: 0.767)为13.95%,S4ND (CPM: 0.866)为0.92%,和GA-SSD (CPM: 0.855)和2.26%,分别。

5。结论

在本文中,我们提出一个三维卷积探测器网络称为URDNet建于GGO检测多尺度输入-输出u型网络的CT图像。统一回归目标函数提出了URDNet专注于一个对象的位置的学习期间可以直接退回一套固定的3 d对所有样品盒。此外,两级培训方法旨在帮助我们复杂的3 d检测器网络收敛和防止过度拟合,即使给予少量的注释GGO结节CT图像。通过这种训练方法与数据对应和硬-矿业,我们的网络可以有效地和有效地训练在一个端到端的方式GGO检测。

我们相信URDNet提供了一个有用的工具GGO结节检测在肺癌的临床诊断。此外,我们的独立GGO检测算法可以很容易地集成到现有的肺结节计算机辅助设计系统来提高整个系统的性能。近期工作将扩展我们的网络检测的其他结节。因为这种方法不需要大量的带安全标签的数据时,有一个简单的、统一的回归客观,更容易被应用到医疗物联网系统中的其他结节处理任务。

数据可用性

使用的数据来支持本研究的发现是之前报道LIDC-IDRI数据集,这是目前最大的公开可用的数据库。数据与文本相关的地方作为参考。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作得到了国家自然科学基金(格兰特数字60973059,60973059,61901533),在中国大学新世纪优秀人才计划(批准号ncet - 10 - 0044)。

引用

1. r·l·西格尔,k·d·米勒和a . Jemal癌症统计数据,2015年,“CA:临床医生的癌症杂志》上,卷65,不。1,5-29,2015页。视图:出版商的网站|谷歌学术搜索
2. c . i Henschke d·f·Yankelevitz r . Mirtcheva g·麦吉尼斯,d·麦考利和o . s .当天艳阳高照,“CT筛查肺癌。”学杂志美国放射学杂志》上,卷178,不。5,1053 - 1057年,2002页。视图:出版商的网站|谷歌学术搜索
3. w·t·米勒jr .)和r·m·沙”孤立分散在胸CT毛玻璃样阴影:原因和临床表现,”学杂志美国放射学杂志》上,卷184,不。2、613 - 622年,2005页。视图:出版商的网站|谷歌学术搜索
4. l .临颍l . Xiabi z Chunwu, z Xinming, z和延锋,“回顾磨砂玻璃不透明检测方法在肺部CT图像,”当前医学影像检查,13卷,不。1,20-31,2017页。视图:出版商的网站|谷歌学术搜索
5. h·a·Bastawrous t . Fukumoto m . Tsudagawa和n . Nitta”检测的磨砂玻璃的透明肺CT图像,采用伽柏过滤器和神经网络”2005年IEEE Instrumentationand测量技术的会议记录,页251 - 256,位于安大略省渥太华。2005年5月,加拿大。视图:出版商的网站|谷歌学术搜索
6. t·h . Kim中岛美嘉、y Itai Maeda, j . k . Tan和石川,“自动检测的磨砂玻璃透明度胸多层螺旋ct图像通过使用密度特性,”2007年国际会议控制、自动化和系统,页1274 - 1277,首尔,韩国,2007年10月。视图:出版商的网站|谷歌学术搜索
7. c·雅各布斯c·桑切斯,s . c .阿富汗二月t . Twellmann p·a·德容和b . van Ginneken“计算机辅助检测胸CT图像使用磨砂玻璃结节的形状、强度和上下文特征,”医学影像计算和计算机辅助干预- MICCAI 2011施普林格,页207 - 214年,2011年。视图:出版商的网站|谷歌学术搜索
8. b . Van Ginneken a . a . Setio c·雅各布斯和f . Ciompi“现成的卷积神经网络特性对肺结节检测在计算机断层扫描,”2015年IEEE 12日生物医学成像(位ISBI)国际研讨会,页286 - 289,纽约,纽约,美国,2015年4月。视图:出版商的网站|谷歌学术搜索
9. 答:a . a . Setio f . Ciompi g . Litjens et al .,“肺结节CT图像中检测:使用多视点卷积网络,减少假阳性”IEEE医学成像,35卷,不。5,1160 - 1169年,2016页。视图:出版商的网站|谷歌学术搜索
10. h·r·罗斯l ., A Seff et al .,“一个新的2.5 d表示淋巴结检测使用随机集深卷积神经网络的观察,”医学影像计算和计算机辅助干预- MICCAI 2014施普林格,页520 - 527年,2014年。视图:出版商的网站|谷歌学术搜索
11. g . g .汉x Liu郑,m . Wang和黄,“3 d GGO CT成像的自动识别信号融合的混合重采样和layer-wise微调cnn,“医学和生物工程和计算卷,56号12日,第2212 - 2201页,2018年。视图:出版商的网站|谷歌学术搜索
12. f·张,y . Wang和c .吴“跨通道的自动生成方法模糊的创造力,”《智能与模糊系统,38卷,不。5,5685 - 5696年,2020页。视图:出版商的网站|谷歌学术搜索
13. f·张,t . y . Wu y王et al .,“应用量子遗传优化的LVQ神经网络在智能城市交通网络预测,“IEEE访问,8卷,第104564 - 104555页,2020年。视图:出版商的网站|谷歌学术搜索
14. 张f和c·王,“MSGAN:生成对抗的网络形象季节性风格转移,”IEEE访问,8卷,第104840 - 104830页,2020年。视图:出版商的网站|谷歌学术搜索
15. f, g .叮,林,l .徐z . Li和l·李”研究创意阶段的模拟场景3 dgans技术的基础上,“信息隐藏和多媒体信号处理杂志》上,9卷,不。6,1430 - 1443年,2018页。视图:谷歌学术搜索
16. s . g . Armato三世,g . McLennan l . Bidaut et al .,“肺图像数据库财团(LIDC)和图像数据库资源计划(IDRI):一个完整的参考数据库肺结节的CT扫描,”医学物理学,38卷,不。2、915 - 931年,2011页。视图:出版商的网站|谷歌学术搜索
17. 约飞和c . Szegedy“批量标准化:加速深层网络训练通过减少内部协变量转变,”2015年,https://arxiv.org/abs/1502.03167。视图:谷歌学术搜索
18. 诉Badrinarayanan, A·肯德尔和r . Cipolla”Segnet:深卷积encoder-decoder图像分割架构,”2015年,https://arxiv.org/abs/1511.00561。视图:谷歌学术搜索
19. c和c . m .主教,主教神经网络模式识别,牛津大学出版社,1995年。
20. o . Ronneberger、p·费舍尔和t . Brox”U-Net:卷积网络生物医学图像分割”医学影像计算和计算机辅助介入的国际会议德国慕尼黑,页234 - 241,,2015。视图:谷歌学术搜索
21. s . Honari j . Yosinski p·文森特,c .朋友”Recombinator网络:学习而且功能聚合”《IEEE计算机视觉与模式识别会议拉斯维加斯,页5743 - 5752年,2016年。视图:谷歌学术搜索
22. a·纽厄尔k·杨,j .邓“堆叠沙漏网络对人类造成估计,”计算机视觉——2016年大会,第499 - 483页,2016年。视图:出版商的网站|谷歌学术搜索
23. 任,k .他、r . Girshick和j .太阳,“快R-CNN:对与地区建议网络实时目标检测,”IEEE模式分析与机器智能,39卷,不。6,1137 - 1149年,2017页。视图:出版商的网站|谷歌学术搜索
24. 在r . Girshick“快速R-CNN。《IEEE计算机视觉国际会议,页1440 - 1448,圣地亚哥,智利,2015。视图:谷歌学术搜索
25. x Glorot和y Bengio”理解的难度训练前馈神经网络,”机器学习研究杂志》上9卷,第256 - 249页,2010年。视图:谷歌学术搜索
26. Shrivastava a, a·古普塔和r . Girshick”培训提出对象探测器与在线示例矿业,”《IEEE计算机视觉与模式识别会议拉斯维加斯,页761 - 769年,2016年。视图:谷歌学术搜索
27. h·l . Kundel k . s . Berbaum d·d·多尔夫曼d . Gur c·e·梅茨和r . g . Swensson“接受者操作特征分析在医学成像,”《Icru,卷79,不。8,p . 2008。视图:谷歌学术搜索
28. m . Niemeijer m . Loog m·d·艾布拉姆·m·a . Viergever m . h神和b . van Ginneken”结合计算机辅助检测系统。”IEEE医学成像,30卷,不。2、215 - 223年,2011页。视图:出版商的网站|谷歌学术搜索
29. c·雅各布斯e·m·范·Rikxoort t Twellmann et al .,“胸subsolid肺结节的自动检测计算机断层扫描图像,”医学图像分析,18卷,不。2、374 - 384年,2014页。视图:出版商的网站|谷歌学术搜索
30. 答:a . a . Setio a . Traverso t·德·贝尔et al .,“验证、比较和组合算法的自动检测肺结节的ct图片:LUNA16挑战,”医学图像分析,42卷,1-13,2017页。视图:出版商的网站|谷歌学术搜索
31. c . s .白色,“国家肺部成像试验,”《胸成像,26卷,不。2、86 - 87年,2011页。视图:出版商的网站|谷歌学术搜索
32. n Khosravan和美国Bagci“S4ND:单发single-scale肺结节检测”医学影像计算和计算机辅助介入的国际会议,页794 - 802,格拉纳达,西班牙,2018。视图:谷歌学术搜索
33. h . j . Ma x Li Li et al .,“Group-attention单发检测器(GA-SSD):发现肺结节在大规模的CT图像,”2018年,https://arxiv.org/abs/1812.07166。视图:谷歌学术搜索

版权

版权©2020 Weihua刘et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。