VLD：轻型伪3D病灶检测网络（MICCAI 2020）

今天分享一篇发表在MICCAI 2020上的论文：Deep Volumetric Universal Lesion Detection Using Light-Weight Pseudo 3D Convolution and Surface Point Regression (原文链接：[1])。

1 研究背景

在病人的CT扫描中准确、全面地识别、测量和报告病变，对医生来说是重要但却费时的过程，计算机辅助检测可以提高这一个过程的效率。但是在三维成像中，病变区域的外观、位置和大小分布存在巨大的差异，因此仍然具有很大的挑战。

这篇文章提出了一种新型的anchor-free单阶段病灶定位网络 (volumetric lesion detector, VLD)，可以在更少的模型参数量的前提下达到更好的效果。网络主要由如下几部分组成：

• 伪3D卷积操作，以利用现成的2D网络架构和其预训练权重
• 一种新的表面关键点 (surface point)回归方法，通过精确定位到病灶表面具有代表性的关键点，有效地表示病灶的三维空间范围

2 方法

如上图（Fig.1）所示，3D的CT扫描图作为网络的输入，通过P3DC骨干网络提取深度特征，这些特征被送入VLD的3D中心点回归网络和SPR表面关键点回归网络分别预测中心点坐标和表面关键点坐标。

2.1 P3DC骨干网络

P3DC骨干网络是基于DenseNet-121进行搭建的，但移除了其第四个dense模块。VLD的核心策略是在前半部分特征提取的时候保持2D网络，而仅使用P3DCs模块将DenseNet-121的第三个dense模块转换成3D网络。这个策略与[2]一致，他们发现了在高层次引入3D信息比低层次更加有效。

3D部分： 第三个dense模块以及输出网络部分均采用3D的卷积网络，文中研究了P3DCs的几种不同构造，如下图（Fig.2）所示：inflated 3D (I3D), spatio-temporal 3D (ST-3D), axaial-coronal-sagittal 3D (ACS-3D)。最后选取了ACS-3D作为基本模块，并把3个分支的通道数比例设置为8:1:1。

2.2 输出网络

3 实验结果

这里我只给出论文中的部分实验结果，具体的实验结果分析以及实验和参数的设置请看原文。

4 参考资料

[1] https://link.springer.com/chapter/10.1007/978-3-030-59719-1_1

[2] MULAN: multitask universal lesion analysis network for joint lesion detection, tagging, and segmentation