具分組注意力和自我偽陽性減少機制的三維YOLOv4應用於不同解析度的電腦斷層影像肺部結節偵測

Abstract

"肺癌已成為全球癌症死亡的主因，電腦斷層（computed tomography, CT）與低劑量電腦斷層（low-dose computed tomography, LDCT）是目前最常見的肺癌檢查方法。透過電腦斷層或低劑量電腦斷層，可以早期偵測到可能是癌症的可疑肺部結節，進而降低肺癌死亡率。然而，放射科醫生要在一大疊的電腦斷層切片中找出肺結節是一項非常耗時的工作，因此可以使用電腦輔助偵測（computer-aided detection）系統來幫助放射科醫生自動找出肺結節。最近，卷積神經網路（convolutional neural network, CNN）因其在醫學影像上有出色的特徵提取能力，而越來越常被用在電腦輔助偵測系統中。 因此，本研究提出了一個基於卷積神經網路的電腦輔助偵測系統以用於肺部結節偵測來減輕放射科醫師的工作量。這個系統包含了影像前處理、肺結節偵測與後處理三個部分。在影像前處理的部分，影像先被標準化並調整大小以配合我們模型的輸入格式。另外也切除了影像中肺部以外的背景區域以減少無謂的計算量。接著，前處理完的影像就送到我們提出的被稱作3-D CSP-SA-SSR-YOLOv4的模型以進行肺部結節偵測。這個模型是從YOLOv4修改而來，並加入了部分跨階段與分組注意力（cross stage partial and split attention, CSP-SA）模塊來抽取出有關肺結節的多樣特徵。另外也加入了我們所提出的空間語意重新校正（spatial-semantic recalibration, SSR）模塊來提升在不同空間尺度下的肺結節偵測能力。通過我們的模型會產生許多的肺結節偵測框，並在之後透過後處理來過濾掉重複的偵測框以獲得最終的偵測結果。在本研究中，使用了1.25毫米厚度的672張電腦斷層影像和94張低劑量電腦斷層影像來評估我們偵測系統的表現。另外也透過圖像模擬方法模擬出各種解析度的影像，來驗證我們系統在低解析度影像上的適應性。實驗結果顯示我們的系統在厚度為1.25毫米的影像上獲得了0.8057的競爭績效指標（competition performance matrix, CPM）分數。在厚度為2.5毫米與5.0毫米的影像上也分別獲得了0.7252與0.7025的競爭績效指標分數。這些結果指出我們的模型在各種解析度的電腦斷層或低劑量電腦斷層影像上都有良好的肺部結節偵測能力。"