10月22日,医学影像分析领域顶级期刊Medical Image Analysis (影响因子8.545) 发表了本实验室在肺结节检测方向的最新工作“SCPM-Net: An Anchor-Free 3D Lung Nodule Detection Network using Sphere Representation and Center Points Matching”。该工作利用深度学习技术和临床先验,通过一种新型的神经网络结构SCPM-Net,实现肺结节的精准检测,并为肺结节的检测提出了一种新的球形表示方法和中心点匹配算法,大大提高了肺结节的检出效率。
图1,Medical Image Analysis 在线发表本研究成果
胸部计算机断层扫描(CT)中的肺结节检测对肺癌的早期诊断具有重要意义。因此,越来越多的研究聚焦于计算机辅助肺结节检测方法。但是,这些方法仍然无法提供令人信服的结果,因为结节容易与钙化,血管或其他良性肿块混淆,造成漏检或假阳偏多等情况。此外这些检测方法大多基于锚框设计(Anchor-Based),需要提前设计上千个锚框 (Anchor Box) 来提高检测敏感性,过程复杂,且结果往往取决于锚框设计的好坏。设计一种高精度的无锚检测框架变成非常具有临床意义。
本文针对肺结节形态不规则、尺度、位置变化大等带来的检测难题,设计了一种新型的无锚 (Anchor-Free) 肺结节检测框架SCPM-Net。本文提出的SCPM-Net通过直接回归肺结节的中心点,半径和偏移量来进行肺结节定位,不再依赖Anchor的设计。此外,为了更好的获取输入图像的空间位置关系,SCPM-Net将坐标信息和注意力机制相融合,提高了网络多空间信息的提取能力,进一步提高了模型的检测性能。
图2,SCPMNet结构
受肺结节临床诊断指南启发,本文首次提出用球 (sphere) 来代替边界框 (bounding box) 来表示空间中的肺结节 (sphere representation)。该方法将空间中的肺结节用中心点和半径表示。本文进一步将球表示扩展到球-交并比 (sphere-based intersection-over-union)用于网络训练,与传统的基于边界框交并比相比,球-交并比考虑了更多几何信息,例如,半径长度,中心点距离,半径夹角等。
图3,球表示示意图
针对肺结节检测过程中容易漏检的问题,本文设计了一种中心点匹配策略 (Center Points Matching). 该方法用多个中心的来表示一个肺结节,通过通过同时预测多个中心点和半径来定位肺结节,有效的提高了肺结节的检出率。
图4,中心点匹配示意图
该方法在LUNA16公开数据集上,与现有算法如Deep Lung, 3D RetinaNet等相比,肺结节的检出率取得了明显的提升。
图5 SCPM-Net与其他方法的比较
本研究成果由电子科技大学与四川大学华西医院、商汤科技、罗格斯大学等单位合作完成。
作者简介:罗祥德,2018年在电子科技大学取得机械设计制造及自动化学士学位, 现为电子科技大学机械与电气工程学院硕博连读学生,研究方向为医学图像计算、半监督学习。目前已在人工智能领域顶级会议AAAI (CCF A)发表论文一篇,医学图像处理领域顶级会议MICCAI发表论文一篇, 医学图像处理领域顶级期刊Medical Image Analysis两篇。
论文链接:https://www.sciencedirect.com/science/article/pii/S1361841521003327
代码链接:https://github.com/HiLab-git/SCPM-Net
手机浏览
公众号
访问量: 开通时间:-- 最后更新时间:--
清水河校区:成都市高新区(西区)西源大道2006号 邮编: 611731
沙河校区:成都市建设北路二段四号 邮编:610054
蜀ICP备 05006379 号 I 川公网安备 51019002000280 号