智慧医疗实验室
通用链接 English 手机版
新闻资讯

实验室关于肺结节检测的论文在Medical Image Analysis发表

发布时间:2021-10-26 点击次数:

     1022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。

undefined

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。

undefined

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。

undefined

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