利用計算機視覺領域卷積神經網絡技術來解決肺結節檢測

癌癥，猶如黑暗中的魔鬼，帶給人們恐懼與絕望。而肺癌，在我國作為發病率、死亡率最高的一類癌癥，傷害著無數家庭。在我國每年都有近60萬人死于肺癌。然而，癌癥的死亡率與首次發現癌癥的時期緊密相關，早期肺結節篩查可以為無數人免去痛苦與折磨。上海交通大學人工智能實驗室徐奕教授、倪冰冰教授、楊小康教授、朱禹萌同學等人與點內科技合作，利用深度學習搭建的肺結節自動定位篩查系統，能夠有效檢測肺CT影像中包含微小結節、磨玻璃等各類結節，并降低假陽性誤診的發生，實現“早發現，早診斷，早治療，早痊愈”的愿望。該算法獲得了天池大數據比賽的第一名，這個比賽吸引了全國兩千多支參賽團隊，總獎池高達百萬，面向全社會各大醫院、高校、公司、研究所參加。

團隊利用計算機視覺領域卷積神經網絡技術來解決肺結節檢測問題，并在多個層面上進行創新。1）結合物體檢測與分割算法提取候選結節，產生高召回率候選結節池。2）使用假陽性衰減網絡，并采取多尺度集成學習的網絡模型提高檢測精度，衰減假陽性比例。3）在數據的處理上，采取生成對抗網絡進行了數據增廣，提高了訓練的有效性。

算法框架如圖

數據預處理

通過旋轉平移等幾何變換針對有限數量的正樣本做數據多樣性增廣，類似于醫生通過不同的視角、不同的上下文去分析結節區域，并利用生成對抗網絡（GAN），從隨機噪聲中產生新的結節正樣本，學習生成新形態的結節樣本，深度增廣數據的多樣性，提升模型泛化能力。

結節預檢測

建立3D-Unet網絡結構，該分割網絡主要功能是提取疑似候選結節，最大化敏感度，降低漏檢率。其網絡輸入三個維度的數據特征，可從多個Z軸維度”觀察“，正如醫生結合多個平面觀察結節，從而充分學習肺內部正常紋理和非正常紋理的區別，捕捉到結節多樣性特征，比如毛玻璃結節密度比周圍略高、呈云霧狀性，純實性結節實性密度較高，類似單獨分離的蛋黃等。

結節精檢測

結節精檢測采用三種模型分別預測候選結節概率，并根據模型間權重比例給出最終概率的方法。主要優勢在于，負樣本經歷由易至難的學習過程，分割網絡和后續假陽性衰減網絡相輔相成。多結構類型的模型Ensemble，且單一網絡性能良好，類似于多個醫生獨立閱片的過程，綜合給出閱片結果。