Published January 1, 2021
| Version v1
Publication
Open
Pulmonary Nodule Detection Based on Faster R-CNN With Adaptive Anchor Box
Creators
- 1. Hanoi University of Science and Technology
- 2. Vietnam Academy of Science and Technology
- 3. National Hospital of Pediatrics
- 4. Université de La Rochelle
Description
Early pulmonary nodule detection is very important in lung cancer diagnosis and screening.Most stateof-the-art lung nodule detection models are based on Faster Region-based Convolutional Neural Network (Faster R-CNN) due to its superior performance.However, this object detection approach faces difficulties with the variety of nodule sizes in training datasets.In this paper, we propose a novel Computer-Aided Detection (CAD) system based on Faster R-CNN model with adaptive anchor box for lung nodule detection.Our method employs ground-truth nodule sizes in the training dataset to generate adaptive anchor box sizes of Faster R-CNN.Learned anchors are used as hyper-parameter to boost Faster R-CNN's detection performance.A residual convolutional neural network is proposed to reduce false positives from Faster R-CNN's output.Our method is trained and tested on the largest publicly available LUNA16 dataset.Experiments show that our proposed system achieves a high sensitivity of 95.64% at 1.72 false positives per scan, and a Competition Performance Metric (CPM) score of 88.2%, which outperforms other recent state-of-the-art detection methods.The false positive reduction network achieves a sensitivity of 93.8%, specificity of 97.6% and accuracy of 95.7%.An additional evaluation on a completely independent SPIE-AAPM dataset demonstrates the generalization of our proposed model with 89.3% sensitivity.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
الكشف المبكر عن العقيدات الرئوية مهم جدًا في تشخيص سرطان الرئة وفحصه. تعتمد معظم نماذج الكشف عن العقيدات الرئوية الحديثة على شبكة عصبية التفافية أسرع تعتمد على المنطقة (أسرع R - CNN) بسبب أدائها المتفوق. ومع ذلك، يواجه نهج الكشف عن الأجسام هذا صعوبات مع مجموعة متنوعة من أحجام العقيدات في مجموعات بيانات التدريب. في هذه الورقة، نقترح كشفًا جديدًا بمساعدة الكمبيوتر (CAD) نظام يعتمد على نموذج R - CNN الأسرع مع صندوق تثبيت تكيفي للكشف عن العقيدات الرئوية. تستخدم طريقتنا أحجام العقيدات الأرضية في مجموعة بيانات التدريب لتوليد أحجام صندوق تثبيت تكيفي لـ R - CNN الأسرع. يتم استخدام المراسي المكتسبة كمعلمة مفرطة لتعزيز أداء الكشف عن R - CNN الأسرع. يتم اقتراح شبكة عصبية التفافية متبقية لتقليل الإيجابيات الكاذبة من مخرجات R - CNN الأسرع. يتم تدريب طريقتنا واختبارها على أكبر مجموعة بيانات LUNA16 متاحة للجمهور. تظهر التجارب أن نظامنا المقترح يحقق حساسية عالية بنسبة 95.64 ٪ عند 1.72 إيجابية خاطئة لكل مسح ضوئي، ودرجة مقياس أداء المنافسة (CPM) بنسبة 88.2 ٪، والتي تتفوق على طرق الكشف الحديثة الأخرى. تحقق شبكة التخفيض الإيجابية حساسية بنسبة 93.8 ٪، وخصوصية 97.6 ٪ ودقة 95.7 ٪. يوضح التقييم الإضافي لمجموعة بيانات SPIE - AAPM المستقلة تمامًا تعميم نموذجنا المقترح بحساسية 89.3 ٪.Translated Description (French)
La détection précoce des nodules pulmonaires est très importante dans le diagnostic et le dépistage du cancer du poumon. La plupart des modèles de détection de nodules pulmonaires de pointe sont basés sur le réseau neuronal convolutionnel basé sur la région Faster (Faster R-CNN) en raison de ses performances supérieures. Cependant, cette approche de détection d'objets rencontre des difficultés avec la variété de tailles de nodules dans les ensembles de données d'entraînement. Dans cet article, nous proposons une nouvelle détection assistée par ordinateur (CAD) système basé sur le modèle Faster R-CNN avec boîte d'ancrage adaptative pour la détection des nodules pulmonaires.Notre méthode utilise des tailles de nodules de vérité au sol dans l'ensemble de données d'entraînement pour générer des tailles de boîtes d'ancrage adaptatives de Faster R-CNN.Les ancrages appris sont utilisés comme hyper-paramètre pour augmenter les performances de détection de Faster R-CNN.Un réseau neuronal convolutif résiduel est proposé pour réduire les faux positifs de la sortie de Faster R-CNN.Notre méthode est entraînée et testée sur le plus grand ensemble de données LUNA16 accessible au public.Les expériences montrent que notre système proposé atteint une sensibilité élevée de 95,64 % à 1,72 faux positifs par scan, et un score de performance de compétition (CPM) de 88,2 %, qui surpasse les autres méthodes de détection récentes de pointe.Le réseau de réduction des faux positifs atteint une sensibilité de 93,8 %, une spécificité de 97,6 % et une précision de 95,7 %.Une évaluation supplémentaire sur un ensemble de données SPIE-AAPM complètement indépendant démontre la généralisation de notre modèle proposé avec une sensibilité de 89,3 %.Translated Description (Spanish)
La detección temprana de nódulos pulmonares es muy importante en el diagnóstico y la detección del cáncer de pulmón. La mayoría de los modelos de detección de nódulos pulmonares de última generación se basan en la red neuronal convolucional basada en la región más rápida (R-CNN más rápido) debido a su rendimiento superior. Sin embargo, este enfoque de detección de objetos enfrenta dificultades con la variedad de tamaños de nódulos en los conjuntos de datos de entrenamiento. En este documento, proponemos una nueva detección asistida por computadora (CAD) sistema basado en el modelo R-CNN más rápido con caja de anclaje adaptativa para la detección de nódulos pulmonares. Nuestro método emplea tamaños de nódulos de verdad terrestre en el conjunto de datos de entrenamiento para generar tamaños de caja de anclaje adaptativos de R-CNN más rápido. Los anclajes aprendidos se utilizan como hiperparámetro para aumentar el rendimiento de detección de R-CNN más rápido. Se propone una red neuronal convolucional residual para reducir los falsos positivos de la salida de R-CNN más rápido. Nuestro método está entrenado y probado en el conjunto de datos LUNA16 más grande disponible públicamente. Los experimentos muestran que nuestro sistema propuesto logra una alta sensibilidad del 95.64% a 1.72 falsos positivos por escaneo, y una puntuación de métrica de rendimiento de competencia (CPM) del 88.2%, que supera a otros métodos de detección recientes de vanguardia. La red de reducción de falsos positivos logra una sensibilidad del 93.8%, especificidad del 97,6% y una precisión del 95,7%. Una evaluación adicional en un conjunto de datos SPIE-AAPM completamente independiente demuestra la generalización de nuestro modelo propuesto con una sensibilidad del 89,3%.Files
09619980.pdf.pdf
Files
(245 Bytes)
| Name | Size | Download all |
|---|---|---|
|
md5:1310950514fde7ac894141e1f93a8ee8
|
245 Bytes | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- الكشف عن العقيدات الرئوية على أساس R - CNN أسرع مع صندوق تثبيت تكيفي
- Translated title (French)
- Détection des nodules pulmonaires basée sur le R-CNN plus rapide avec boîte d'ancrage adaptative
- Translated title (Spanish)
- Detección de nódulos pulmonares basada en R-CNN más rápido con caja de anclaje adaptativa
Identifiers
- Other
- https://openalex.org/W3217549023
- DOI
- 10.1109/access.2021.3128942
References
- https://openalex.org/W1986649315
- https://openalex.org/W2018060680
- https://openalex.org/W2022686119
- https://openalex.org/W2067191022
- https://openalex.org/W2132014319
- https://openalex.org/W2148076415
- https://openalex.org/W2194775991
- https://openalex.org/W2523246573
- https://openalex.org/W2524399695
- https://openalex.org/W2561512519
- https://openalex.org/W2570343428
- https://openalex.org/W2584017349
- https://openalex.org/W2618720482
- https://openalex.org/W2626997132
- https://openalex.org/W2747257024
- https://openalex.org/W2769848455
- https://openalex.org/W2789973801
- https://openalex.org/W2793538065
- https://openalex.org/W2800755727
- https://openalex.org/W2801761047
- https://openalex.org/W2883529983
- https://openalex.org/W2887048414
- https://openalex.org/W2887808321
- https://openalex.org/W2890179236
- https://openalex.org/W2906111507
- https://openalex.org/W2911282375
- https://openalex.org/W2913456898
- https://openalex.org/W2922509746
- https://openalex.org/W2929868177
- https://openalex.org/W2962835968
- https://openalex.org/W2963351448
- https://openalex.org/W2963777800
- https://openalex.org/W2971017576
- https://openalex.org/W2980283031
- https://openalex.org/W3007997946
- https://openalex.org/W3015131265
- https://openalex.org/W3016536844
- https://openalex.org/W3028412523
- https://openalex.org/W3080486430
- https://openalex.org/W3082474906
- https://openalex.org/W3090697255
- https://openalex.org/W3109319544
- https://openalex.org/W3119005666
- https://openalex.org/W3155151741
- https://openalex.org/W3174690408
- https://openalex.org/W3194122014
- https://openalex.org/W3194441438
- https://openalex.org/W3211035581
- https://openalex.org/W639708223