Motivation
- 目前的CT病变检测都是采用的两阶段的方法，使用centroid或bbox标注
- 现有方法对小目标检测能力较弱
Faster R-CNN
- 两阶段检测
- 检测速度慢
3DCE
- 小病灶的检测效果不好
RetinaNet
ResNet+FPN作为backbone，再利用单级的目标识别法+Focal Loss。
本文在RetinaNet的基础上进行改进。
Method
改进之处：
Optimized anchor configuration；摒弃默认的anchor配置，采用differential evolution search algorithm来找合适的anchor配置。
Dense mark supervision
Attention gate
Model Design
主干网络：RetinaNet
网络结构使用VGG19，尝试使用Resnet50，效果变差
采用了特征金字塔，利于检测小目标
使用Focal Loss，解决样本不平衡问题
采用差分进化算法选取最优锚点
Weak RECIST Labels
- 大多数病变存在凸轮廓线
- Deep Lesion提供病变区域的直径
- 基于GrubCut方法生成Mask标签
Experiments
lesion detection sensitivities at different false positives (FP) per image
几个小问题
- 作者在文章中提到：网络主干结构采用了VGG-19，也尝试了ResNet-50，但是效果却变差了。这是为什么？
- Attention 现在非常流行，但在分割任务中还没有看到solid的paper能证明加入attention module能显著提升性能，反例倒是有（e.g., NVIDIA 在BraTS 2018中的Slide）。
- 有没有可能直接进行分割来代替目标检测？idea不是空穴来风，参见Segmentation is All You Need。