3-D HD-YOLOv4: 三維超感知域雙分支預測YOLOv4於肺部電腦斷層掃描影像結節偵測

Abstract

"低顯影劑量電腦斷層掃描造影 (Low-dose Computed Tomography, LDCT) 技術被廣泛應用於肺癌初期的結節偵測，以提高病患的存活率。然而，觀察數百張的LDCT影像及每張掃描影像內部的小型結節非常耗時。因此，電腦輔助偵測 (Computer-aided Detection, CADe) 系統被用於加速檢測流程及減輕放射科醫師的負擔。由於近年來深度學習技術於電腦視覺領域的成功發展，越來越多以卷積神經網路 (Convolutional Neural Network, CNN) 為基礎的CADe系統被應用於醫學使用上。 此研究提出了一以CNN為基礎的肺部結節偵測CADe系統，該系統包含了資料前處理、肺部結節偵測及初步結果後處理，共三個階段。在資料前處理的階段中，影像的間距被標準化為相同，並對去除肺部外區域後的影像進行了正規化處理，再將影像裁切為具有相同格式的數個部分。接著，經過前處理的影像會作為偵測模型的輸入，並由模型輸出一序列的候選結節及其位置、直徑大小。所提出的CNN偵測模型被取名為3-D Hyper Receptive Field and Dual Head YOLOv4 (3-D HD-YOLOv4) ，是修改自YOLOv4網路的架構。為了提升原YOLOv4所萃取特徵的代表性，加入了壓縮激勵 (Squeeze-and-excitation, SE) 模塊和感知域 (Receptive Field Block, RFB) 模塊。此外，雙頭 (Dual Head, D-head) 模塊和跨階平行分支 (cross stage parallel branch) 機制也被用於增強原YOLOv4的結節偵測能力。最後，在初步結果後處理的部分，對於相同結節的重複預測將會被去除。 根據實驗結果顯示，SE 和 RFB 模塊可以大幅降低誤報 (false positives, FPs) 的數量，以及D-head模塊和跨階平行分支機制可以大幅增加預測靈敏度 (Sensitivity)。除此之外，所提出的CADe系統在公開的資料集測試上獲得了0.911的競爭績效指標分數 (Competition Performance Metric, CPM)，在誤報率 (FPs per Scan) 為8的靈敏度為0.982。相較於其他最新技術的系統，所提出的CADe系統展現了其優異的表現。整體結果指出，我們針對模型的改進可以大幅提升其對於結節的偵測能力，並達到目前最先進技術的表現。 "