医站点医维基

医疗之家-医疗器械-医疗设备-医疗技术

 找回密码
 立即注册

QQ登录

只需一步,快速开始

扫一扫,访问微社区

查看: 619|回复: 0

[智能诊断] 天池医疗AI大赛[第一季] 冠军队伍LAB2112解决方案

[复制链接]

283

主题

679

帖子

2461

积分

管理员

Rank: 9Rank: 9Rank: 9

积分
2461

热心会员推广达人优秀版主荣誉管理论坛元老

发表于 2018-7-21 16:41:26 | 显示全部楼层 |阅读模式
团队介绍:
团队的全体成员均来自北京大学信息科学技术学院机器感知与智能教育部重点实验室,指导教师为王立威教授(http://www.cis.pku.edu.cn/faculty/vision/wangliwei/,email: wanglw at pku.edu.cn)。
团队所有成员为:
王东,北京大学,硕士研究生
胡志强,北京大学,硕士研究生
李傲雪,北京大学,博士研究生
罗天歌,北京大学,硕士研究生
杨泽,北京大学,硕士研究生

本团队在医疗影像分析,尤其是肺部CT图像分析上有着深厚的研究基础和丰富的研究经验,曾参与KaggleData Science Bowl 2017肺癌预测大赛,于全球1972支队伍中获得第4名; 曾参与LUNA肺结节检测挑战赛,在肺结节检测和假阳性削减两项挑战中均取得第1名并保持到2017年7月,相关文章发表在医疗图像计算顶级会议MICCAI2017。

问题分析:
本次比赛目标是开发算法,检测CT影像中的肺部结节区域,降低临床上常见的假阳性误诊发生,提升早期肺癌检测的准确度。我们需要检测出肺部中对早期肺癌检测有积极意义的肺结节区域,比赛评价指标为FROC曲线上采样点的平均值。综合复赛PAI平台性能与算法精度的考虑,我们将算法分为以下三步:
(1)用FPN网络提出疑似存在肺结节的区域。
(2)在第一步的基础上进行false positivereduction,得到肺结节区域。
(3)结合肺内整体特征,再次对结节重要程度进行判断(ContextNet)。

算法模型:(0)  数据预处理:
由于CT设备成像参数有差异,导致不同CT图像各个方向的spacing并不相同,因此首先需要进行插值操作使得所有图像有统一的spacing。随后利用图像形态学等方法,在CT图中提取肺部区域。

(1)  疑似肺结节区域提取:
这一步以整个CT图像作为输入,利用三维特征金字塔网络(Feature PyramidNetworks, FPN)对输入进行划窗(sliding window)式扫描,自动提取划窗的特征,并预测划窗中包含结节的概率和结节可能的位置。算法预测的疑似包含结节的区域为第一阶段输出的候选区域。为了整合多尺度信息,我们采用了FPN网络结构。在难例挖掘方面,我们使用了Focal Loss。

几种结构比较:
1.常见的RPN网络结构仅仅利用了单一尺度的信息。
2.UNET网络结构是对RPN网络结构的发展,它巧妙利用了神经网络内在的多尺度特性:靠近输入的较浅的层提取的是相对小的尺度上的信息,靠近输出的较深的层提取的是相对大的尺度上的信息,通过加入shortcut整合多尺度信息进行判断。但是UNET网络结构仅在单一尺度上进行预测,不能很好处理结节尺寸变化的问题。
3.FPN网络结构吸收了UNET网络结构的优点,克服了其缺点:通过在多个尺度上预测,很好处理了结节尺寸变化的问题。

检测框架vs分割框架:
首先,UNET是网络结构,虽然最初用在分割问题中,但不代表只能用来进行分割。分割问题是比检测问题更困难的问题,所以如果有结节mask的标注,那么通过解决分割问题来解决检测问题确实有可能有优势,因为引入了更多信息,不过也需要很好地利用增加的信息。但如果没有结节mask的标注,通过人工的方式给出mask,例如球形mask,并没有引入更多信息,所以分割问题并没有优势;另一方面,检测框架往往是分类+回归,回归对于精度影响很大(参见RCNN论文),而分割框架相当于只做分类,所以我们认为在本次比赛的数据上检测框架较分割框架有明显的优势。
(2)  FalsePositive Reduction:
第一阶段为了避免漏检,在保证较高召回率的同时也会检出并不包含结节的区域,即FalsePositive。所以我们引入了第二阶段FalsePositive Reduction,在更加精细的分辨率下运用更复杂的网络结构进行处理。具体做法是利用上一步检测提供的中心点,固定尺寸的取出Candidate,随后输入3DCNN进行分类。在输入数据上,充分利用PAI平台“显存”大的优势,适当地增大原始图像的分辨率以及Candidate的尺寸。分类网络采用了ResNet、DenseNet以及最新发表的SENet(Squeeze and Excitation Networks)。权衡图像特点、计算时间与最终效果,我们对三种结构都进行了一定的调整。
(3)  ContextNet:
在这一步,我们提出ContextNet。利用第二阶段3DCNN的深度特征,通过网络学习病例的整体特征,随后与结节自身的深度特征以及肺内统计信息Concat得到一个新的特征,输入分类器进行分类。



最后,感谢大赛组委会举办本次比赛,给我们提供了一个为医疗AI事业作出贡献的机会,感谢组委会提供的平台与数据,感谢英特尔工作人员提供的技术支持,也感谢阿里云工作人员提供的帮助。


回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

QQ|关于我们|医维基|网站地图|Archiver|手机版|医疗之家 ( 沪ICP备15050839号|申请友情链接  

GMT+8, 2019-7-17 15:28 , Processed in 0.333681 second(s), 29 queries .

Powered by Discuz! X3.2 Licensed

© 2001-2013 Comsenz Inc.

快速回复 返回顶部 返回列表