Deep Breath - 论文阅读笔记
项目主页：
https://eliasvansteenkiste.github.io/machine%20learning/lung-cancer-pred/
github主页：
https://github.com/EliasVansteenkiste/dsb3
阿里论坛翻译主页:
https://tianchi.aliyun.com/competition/new_articleDetail.html?raceId=231601&postsId=626&from=part
1 扫描高维CT序列，得到一部分感兴趣区域，根据感兴趣区域检测肺癌
2 具体流程：
- 大海捞针
- 结节检测
- 结节分割
- 肺部分割
- 块状检测
- 移除非结节
- 恶性预测
- 肺癌诊断
- 迁移学习
- 结核诊断
- 整体预测
The chest scans are produced by a variety of CT scanners, this causes a difference in spacing between voxels of the original scan.？
结节检测 （Nodule Detection）
- 结节分割（Nodule Segmentation）
在U-net architecture https://arxiv.org/pdf/1505.04597.pdf 的基础上构建网络。
U-net是2D医学图像分割的常用网络，网络结构如下：
在U-net的结构上，扩展到3D进行分割，步骤为：
Step 1. 考虑到不同scanner得到CT序列的尺寸有差异，先进行尺寸归一化，用每个voxel体素表示1*1*1mm的cube
Step 2. 根据U-net，要对32*32大小的图像进行分割，则需引入上下文信息，输入网络的patch需要两倍大的尺寸，即64*64。
所以，在三维空间中，以32*32*32为stride，截取多个64*64*64大小的patch，作为网络的输入，
用来分割32*32*32大小的立方体，因此每个patch对应的label为32*32*32的binary mask。
Step 3. 在U-net网络结构基础上，构建如下结节分割网络：
最后一层错了，输出应该是1*34*34*34大小
- 块检测（Blob Detection）
通过上一步，得到了每一个体素属于结节的概率，要根据离散体素点的置信度，找到结节块（结节的中心和直径大小，类似于从将灰度概率图二值化提连通域）。
采用高斯差分（Difference of Gaussian， DoG）方法，在skimage package上实现。
通过此步骤，得到一系列的candidates，因此接下来要进行filter
- 肺部分割
根据分割网络得到的nodule candidate有很多位于肺结构的外部，因此可以根据肺部分割结果，移除部分false positives。
Kaggle Tutorial采用形态学进行分割，结构元素大小的选取对分割结果好坏和时间复杂度影响较大。
此外，当肺部包含空腔时，采用形态学方法的肺部分割结果也不好。
提出了3D肺部结构分割方法。采用convex hull方法。
过滤非结节块（False Positive Reduction）
- 构建网络，对Blob进行分类。对每个Blob，输入邻域范围内大小为48*48*48的patch，用来训练网络。
- 结节尺寸有大有小，因此需要融合narrow 和 wide 感受野（respective field），即不同卷积层输出的特征。
- inception-resnet-v2就是融合不同感受野特征的网络结构。相关介绍
http://blog.csdn.net/u010402786/article/details/52433324
- 一方面了加入了BN层，减少了Internal Covariate Shift（内部neuron的数据分布发生变化），使每一层的输出都规范化到一个N(0, 1)的高斯；
- 另外一方面学习VGG用2个3x3的conv替代inception模块中的5x5，既降低了参数数量，也加速计算；
- 使用3×3的已经很小了，那么更小的2×2呢？2×2虽然能使得参数进一步降低，但是不如另一种方式更加有效，
那就是Asymmetric方式，即使用1×3和3×1两种来代替3×3的卷积核。这种结构在前几层效果不太好，但对特征图大小为12~20的中间层效果明显。
- 在残差网络的基础上，论文提出的网络结构如下：
spatial reduction block，采用pooling和conv，feature map的大小变小
Feature reduction block，采用C1卷积核对feature map的维度（个数）进行减少
Residual convolutional block，将不同感受野神经元计算得到的feature融合，能检测多尺度Nodule
