论文阅读——Effificient Multiple Organ Localization in CT Image Using 3D Region Proposal Network

论文【Effificient Multiple Organ Localization in CT Image Using 3D Region Proposal Network】

前几年的CT图像器官检测中的深度学习方法常用2D slices，比如利用冠状面、矢状面、横断面的CT slices训练3个独立的2D网络，通过3个预测B-box确定器官的形心和范围等等一些2D方法。

这些策略有两个局限性：
第一，相邻层很相似，冗余大，一层一层预测时间消耗多。

第二，不能充分利用CT图像的3D空间信息。

因此作者尝试利用建立3D网络进行器官检测，首先作者做了将Faster R-CNN 3D化进行CT器官检测的实验，精度可与state-of-art方法相比，并且速度更快。同时考虑到CT器官特性，即很多器官具有单一性，不会出现第二个，作者做了进一步改进直接对同一标签的B-boxes进行融合。将R-CNN框架扩展到3D有人做过，但据作者所知，这是第一次有人将其扩展到3D CT器官定位领域。

本文的贡献：
1、提出基于3D RPN的CT器官定位方法，相比于最优的2D ConvNet-based方法快4到18倍。

2、设计了一种新的backbone网络，可以提取更高分辨率的特征图，比最优方法精度更高，对小器官更是如此。

3、建立了一个器官定位的公开数据集，其中包括11种器官及其B-box标注。这是当前第一个器官定位公开数据集。

数据增强：
1、输入CT中随机采样。采样CT的slice数量最小为50，采样中截断的B-boxes看为背景。
2、沿冠状面和矢状面法线进行10mm内平移。

Backbone:作者基于AlexNet设计了提取特征图的backbone，其中应用了skip connection获取丰富的空间和语义信息，利用反卷积进行上采样，每个卷积层后应用Batch normalization。

Region Proposal Network for B-Box Prediction：
类似于faster R-CNN的anchor box，预设了一些先验框的尺寸大小，每个特征图cell定义了64个先验框，最终为每个先验框输出K+1维类别的分数和6维的先验框调整参数。

去除冗余：生成的候选框包含大量冗余，用一下策略去除：
1、类别分数大于0.9。

2、类别分数在所有相关候选框top 10%。

3、由于器官具有唯一性，直接将1、2剩余候选框加权平均。

Loss Functions：
先为所有的先验框设置label，与ground truth的IOU大于阈值T1的标记为该ground truth label > 0，IOU小于阈值T2的标记为背景label=0，处于中间的标记为-1不参与训练loss。然后计算LOSS:

前者是分类loss，后者则是包围框回归loss。

由于背景过多，为了平衡类别为包括背景在内的每一类添加系数，大小为该类别数量分之一。


回归loss直接从faster R-CNN中使用的L1 loss扩展而来。

实验：利用IOU、预测框与ground truth之间的wall distance和质心距离作为衡量指标。部分结果如下：

上半部分实验结果不在同一数据集下得到，下半部分实验在本文发布的新数据LiTS上得到，De.和Humpire.的实验结果为作者复现。