利用计算机视觉领域卷积神经网络技术来解决肺结节检测

癌症，犹如黑暗中的魔鬼，带给人们恐惧与绝望。而肺癌，在我国作为发病率、死亡率最高的一类癌症，伤害着无数家庭。在我国每年都有近60万人死于肺癌。然而，癌症的死亡率与首次发现癌症的时期紧密相关，早期肺结节筛查可以为无数人免去痛苦与折磨。上海交通大学人工智能实验室徐奕教授、倪冰冰教授、杨小康教授、朱禹萌同学等人与点内科技合作，利用深度学习搭建的肺结节自动定位筛查系统，能够有效检测肺CT影像中包含微小结节、磨玻璃等各类结节，并降低假阳性误诊的发生，实现“早发现，早诊断，早治疗，早痊愈”的愿望。该算法获得了天池大数据比赛的第一名，这个比赛吸引了全国两千多支参赛团队，总奖池高达百万，面向全社会各大医院、高校、公司、研究所参加。

团队利用计算机视觉领域卷积神经网络技术来解决肺结节检测问题，并在多个层面上进行创新。1）结合物体检测与分割算法提取候选结节，产生高召回率候选结节池。2）使用假阳性衰减网络，并采取多尺度集成学习的网络模型提高检测精度，衰减假阳性比例。3）在数据的处理上，采取生成对抗网络进行了数据增广，提高了训练的有效性。

算法框架如图

数据预处理

通过旋转平移等几何变换针对有限数量的正样本做数据多样性增广，类似于医生通过不同的视角、不同的上下文去分析结节区域，并利用生成对抗网络（GAN），从随机噪声中产生新的结节正样本，学习生成新形态的结节样本，深度增广数据的多样性，提升模型泛化能力。

结节预检测

建立3D-Unet网络结构，该分割网络主要功能是提取疑似候选结节，最大化敏感度，降低漏检率。 其网络输入三个维度的数据特征，可从多个Z轴维度”观察“，正如医生结合多个平面观察结节，从而充分学习肺内部正常纹理和非正常纹理的区别，捕捉到结节多样性特征，比如毛玻璃结节密度比周围略高、呈云雾状性，纯实性结节实性密度较高，类似单独分离的蛋黄等。

结节精检测

结节精检测采用三种模型分别预测候选结节概率，并根据模型间权重比例给出最终概率的方法。主要优势在于，负样本经历由易至难的学习过程，分割网络和后续假阳性衰减网络相辅相成。多结构类型的模型Ensemble，且单一网络性能良好，类似于多个医生独立阅片的过程，综合给出阅片结果。

结果

这一算法在阿里云与英特尔联合举办的天池医疗AI大赛中大获全胜，以0.732的成绩从两千多组强劲队伍中脱颖而出，在比赛最为重要的复赛赛程中排名第一。

根据算法训练出的模型能够更好地处理不同形态的结节特征，达到很好的检测效果，在400例小结节测试数据上，FROC曲线如图所示：

值得注意的是，该算法诊断20万张肺结节片需要10分钟，远远少于医生人工诊断的时间，在提升准确率的同时，节约了医生的时间，真正在诊断流程上做好了医生的助手。团队也将算法真正投入到上海各大医院进行试验与使用，嵌入医生诊断流程当中，真正造福患者。