Multi-scale Convolutional Neural Networks for Lung Nodule Classification论文记录
多尺度卷积神经网络的肺结节分类
摘要
与传统研究主要依赖于结节分割进行区域分析不同，我们解决了一个更有挑战性的问题，即直接建模原始结节斑块，而不需要事先定义结节形态。提出了一个分级学习框架|多尺度卷积神经网络(MCNN)|通过从交替堆叠的层中提取鉴别特征来捕获结节的异质性。特别是，为了充分量化结节特征，我们的框架利用多尺度结节斑块，通过将每个输入尺度的最后一层得到的响应神经元**串联起来，同时学习一组类特定的特征。
胸部计算机断层定量分析肺结节(CT)已成为早期癌症诊断的中心焦点，CT表型为全面捕获结节特征[2]提供了有力的工具。
结节边界的定义是模糊的，来自放射科医师的主观的|阅读器之间的差异使得精确地描绘结节是一个具有挑战性的任务。鉴于这些挑战，出现以下具体问题:(a)应如何从代表不同诊断组的不同结节数据中学习鉴别特征?(b)如何设计一个稳健的框架，能够从原始结节斑块|中提取数量特征，而不是从分段结节|中提取数量特征，从而完全消除繁琐的预处理步骤，如结节分割?
本文研究了基于胸部CT扫描的肺结节诊断分类问题。与当前的方法主要依赖于结节分割和结构特征描述符的分类任务,我们提出一个学习层次框架来捕获结节异质性利用卷积神经网络(CNN)提取特征。下图为示意图。
本文的三点贡献：
（1）我们的MCNN采用多尺度的原始结节斑块，而不是分割区域，证明从原始结节斑块获得的信息对肺结节诊断有价值。
（2）我们的MCNN消除了任何手工制作的特征工程工作的需要，如结节纹理、形状紧凑性和结节球度。该神经网络可以自动学习识别特征。
（3）虽然直接处理结节CT中的噪声数据是一个挑战，但是我们证明了所提出的MCNN模型能够有效地在结节诊断分类中捕获结节特征，即使是在高噪声的情况下。
相关工作
提出很多以前前人的工作，但是这些方法都是以结节分割作为提取结节特征的前提。值得注意的是，自动结节分割会影响分类，因为分割通常依赖于初始化，比如区域增长和水平集方法。对这些分段区域进行处理可能产生不准确的特征，从而导致错误的输出。
我们的工作在概念上类似于大规模训练人工神经网络，它提出了从人工神经网络学习知识的可行性。我们的方法在不知道任何额外分布的情况下，通过叠加卷积操作和最大池选择，从原始结节图像空间中全局提取特征。我们的工作在计算上更有效地降低了特征的维数（尺度减小是将非常高维度的数据转换成具有低得多的维度的数据，使每个较低的维度传达更多的信息），并从层次结构中产生了高度区分的特征。
Multi-scale Convolutional Neural Networks
对于一幅肺部结节CT图像，我们的目标是使用所提出的MCNN模型发现一组全局鉴别特征，该模型捕捉了类特异性结节信息的本质。挑战是，图像空间是非常不均匀的，因为健康组织和结节都包括在内。在这项工作中，我们充分利用CNN来学习判别特征。
我们的卷积神经网络包含两个卷积层，每个卷积层后面都有一个最大池化层，以及一个代表最终输出特性的全连接层。网络的详细结构如图2所示。从输入的结节patch到最终的feature layer, feature map的尺寸不断减小，这有助于去除原始结节patch中潜在的冗余信息，获得结节分类中的判别特征。使用max-pooling层的一个优点是它的平移不变性，这是特别有用的，当不同的结节图像不是很好的对齐。（补padding）
下图为良恶性结节分别为96 * 96，64 * 64，32 * 32像素大小的图。输入进网络的图片都reshape为32 * 32大小的图片。
为了减少MCNN的参数，我们按照中的设置在所有CNN之间共享参数。我们的MCNN的输出结果是将三个CNN输出串联起来，形成最终的判别特征向量，直接反馈给最终的分类器，不做任何的特征约简。
实验
切片演示与不同水平的噪音。高斯噪声均值µ= 0和不同的标准偏差。展示为下图：
不同噪声水平下的神经网络性能，结果如下图展示：
最大池层使用选择性下采样策略，过滤掉“有噪声的异常值，使网络对损坏的信息具有鲁棒性（鲁棒性是指在异常和危险情况下系统生存的能力）。因此，性能再次证明了MCNN能够找到与不同的结节类相关联的特定模式。
结论
本文提出了一种多尺度卷积神经网络(MCNN)结构，解决了从肺结节斑块中学习结节诊断分类的难题。我们证明了所学习的致密特征能够捕获结节的异质性。该模型对噪声输入具有较强的鲁棒性，在医学图像分析领域具有重要的应用价值。大量的实验表明，我们的方法在结节分类上达到了86.84%，并且优于与之竞争的基准结构描述符。在未来的工作中，我们计划将数据纳入范围扩大到一个大规模的评估，我们将进行调查，以寻求合适的尺度来改进图像引导的结节分析。