王夢(mèng)南，趙涓涓+，肖 寧，郝 瑞

(1.太原理工大學(xué) 信息與計(jì)算機(jī)學(xué)院，山西 晉中 030600；2.山西財(cái)經(jīng)大學(xué) 信息學(xué)院，山西 太原 030001)

0 引 言

目前肺結(jié)節(jié)檢測系統(tǒng)通常包括兩個(gè)階段：候選結(jié)節(jié)檢測和假陽性降低[1-3]。候選結(jié)節(jié)檢測階段的目標(biāo)是采用高靈敏度，不考慮特異性的方法盡可能多提取候選結(jié)節(jié)。也就是說，超過99%的候選結(jié)節(jié)并非真結(jié)節(jié)[4,5]。因此大量粗選候選結(jié)節(jié)交由假陽性降低階段處理。

圖1中第一層為結(jié)節(jié)的二維切片圖，第二層為結(jié)節(jié)的三維圖。可以看出結(jié)節(jié)在大小、形狀、強(qiáng)度、體積等形態(tài)學(xué)特征方面存在很大的差異。此外，胸部還有許多形態(tài)特征與結(jié)節(jié)相似的其它組織(如血管、氣管、淋巴結(jié)等)。這些因素導(dǎo)致候選結(jié)節(jié)檢測出現(xiàn)高假陽性。因此如何有降低假陽性是目前計(jì)算機(jī)輔助診斷系統(tǒng)(computer-aided detection，CAD)研究的重點(diǎn)和難點(diǎn)[5-7]。在早期的CAD工作中，主要是利用結(jié)節(jié)的病理知識(shí)提取形態(tài)學(xué)特征，并應(yīng)用相對(duì)簡單的線性分類器完成檢測工作。但是手工制作的特征不能檢測到復(fù)雜類型的結(jié)節(jié)(如部分實(shí)性結(jié)節(jié)或磨玻璃結(jié)節(jié))，導(dǎo)致檢測結(jié)果中假陽性較高。最近，深度神經(jīng)網(wǎng)絡(luò)(deep neural networks，DNNs)開始用于醫(yī)學(xué)圖像分析[8-10]。在各種深度模型中，卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNNs)在CT圖像中用于肺結(jié)節(jié)的檢測和分類最為成功[5，11]。

圖1 不同肺結(jié)節(jié)的二維形態(tài)和三維結(jié)構(gòu)

如Roth等[12]從3個(gè)正交視圖中的感興趣點(diǎn)獲取淋巴結(jié)切片圖像，用于訓(xùn)練2.5D CNN模型。Setio等[4]使用2D CNN網(wǎng)絡(luò)進(jìn)行肺結(jié)節(jié)檢測。但是，基于2D CNN的深度模型不能充分利用CT圖像的三維空間信息，導(dǎo)致假陽性難以降低。Ding等[13]提出了以單尺度三維圖像作為輸入的3D CNN，使檢測性能有所提升，但是由于肺結(jié)節(jié)自身尺度不一樣，單個(gè)尺度輸入的3D CNN很難獲取肺結(jié)節(jié)全面的鄰近背景信息，導(dǎo)致檢測性能的提升較為不易?；诖?，Shen等[14]提出了多尺度CNN，Dou等[5]、高慧明等[15]設(shè)計(jì)了一個(gè)多尺度3D CNN應(yīng)對(duì)肺結(jié)節(jié)間差異大的挑戰(zhàn)，有效降低了假陽性。但是最終的分類結(jié)果是通過加權(quán)3個(gè)網(wǎng)絡(luò)的預(yù)測概率得出，每個(gè)網(wǎng)絡(luò)的權(quán)重是人工設(shè)置的，而不是在訓(xùn)練過程中學(xué)習(xí)的。這種方式既麻煩又很難達(dá)到假陽性降低最優(yōu)效果。

此外，上述方法都采用了傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)，采樣點(diǎn)不能隨著候選結(jié)節(jié)的形狀變化，難以高效全面地提取候選結(jié)節(jié)的特征。受上述研究啟發(fā)，本文提出了一種多尺度漸進(jìn)集成可變形卷積神經(jīng)網(wǎng)絡(luò)來降低肺結(jié)節(jié)檢測中的假陽性。

1 方 法

本文提出的漸進(jìn)集成可變形卷積神經(jīng)網(wǎng)絡(luò)用于肺結(jié)節(jié)假陽性降低的新方法主要包括3個(gè)部分：輸入設(shè)置、漸進(jìn)特征提取和多流特征集成。

1.1 輸入設(shè)置

本文根據(jù)Dou等[5]提出的方法，根據(jù)醫(yī)師標(biāo)注的結(jié)節(jié)中心坐標(biāo)切割了20×20×6體素、30×30×10體素、40×40×26體素，3個(gè)不同尺度的結(jié)節(jié)塊，分別覆蓋了數(shù)據(jù)集中58%、85%、99%的結(jié)節(jié)。其中，小尺度的結(jié)節(jié)塊能為中小結(jié)節(jié)提供精確的形態(tài)信息；中尺度的結(jié)節(jié)塊能為大結(jié)節(jié)保留邊緣信息，彌補(bǔ)在小尺度結(jié)節(jié)塊中丟失的邊緣信息；大尺度的結(jié)節(jié)塊能為結(jié)節(jié)提供豐富的鄰近信息，但是會(huì)給部分小結(jié)節(jié)帶來附近組織或者器官的噪聲。

然后將3個(gè)結(jié)節(jié)立方塊通過最近鄰插值調(diào)整為30×30×10體素，分別表示為V1、V2和V3，作為漸進(jìn)特征提取模塊的輸入(圖2)。V1、V2和V3的結(jié)節(jié)立方塊具有相同的中心坐標(biāo)，但是每個(gè)結(jié)節(jié)立方塊中的像素分辨率不同。

圖2 漸進(jìn)特征提取

1.2 漸進(jìn)特征提取

人類視覺神經(jīng)系統(tǒng)是通過改變視野大小從所在場景中獲取有價(jià)值的上下文信息。因此，為了融合不同尺度結(jié)節(jié)的形態(tài)或結(jié)構(gòu)特征，本文通過可變形卷積神經(jīng)網(wǎng)絡(luò)根據(jù)候選結(jié)節(jié)形狀來提取特征，然后根據(jù)輸入順序漸進(jìn)分層地融合不同尺度結(jié)節(jié)的信息，框架結(jié)構(gòu)如圖2所示。

1.2.1 卷積方式的改進(jìn)

可變形卷積神經(jīng)網(wǎng)絡(luò)[16,17]通過添加一個(gè)分支網(wǎng)絡(luò)來獲取偏移量，并通過訓(xùn)練來學(xué)習(xí)的偏移量。采樣點(diǎn)不再是原來的方形，而是隨著目標(biāo)的形狀而變化。如圖3所示，如果目標(biāo)的形狀是細(xì)長的，通過在輸入特征圖上的采樣點(diǎn)上增加偏移量，使得原始的方形采樣位置與該形狀類似，特征提取過程更加符合目標(biāo)本身的特征，避免了無用信息的提取。

圖3 可變形卷積結(jié)構(gòu)

在可變形卷積層中，前一層的輸出特征圖與一個(gè)3×3的卷積核進(jìn)行可變形卷積運(yùn)算，然后通過RELU激活函數(shù)，得到輸出特征圖。卷積過程使用零填充來保持輸出特征圖的大小與輸入結(jié)節(jié)立方塊的大小相等，從而可以有效地將特征圖與下一個(gè)不同尺度的輸入結(jié)節(jié)立方塊拼接。

1.2.2 漸進(jìn)分層融合特征

漸進(jìn)特征提取能夠通過改變輸入順序來縮放特征圖紋理。本文是將3個(gè)不同尺度的結(jié)節(jié)立方塊按尺度大小順序漸進(jìn)地融合特征。有兩種漸進(jìn)輸入方式，分別為V1-V2-V3(放大特征流輸入)和V3-V2-V1(縮小特征流輸入)。當(dāng)漸進(jìn)輸入方式為放大特征流輸入時(shí)，首先對(duì)V1尺度下的結(jié)節(jié)立方塊添加兩個(gè)卷積核為3×3的可變形卷積層，生成64通道的特征圖F1，將F1與下一個(gè)V2尺度下的結(jié)節(jié)立方塊進(jìn)行拼接，即F1+V2。然后，將F1+V2張量添加兩個(gè)卷積核為3×3的可變形卷積層，生成128通道的特征圖F12，F(xiàn)12融合了V1和V2的綜合上下文信息。然后將F12與下一個(gè)V3尺度下的結(jié)節(jié)立方塊拼接，將F12+V3張量添加兩個(gè)卷積核為3×3的可變形卷積層，一個(gè)3×3的最大池化層，生成192通道的特征圖F123，F(xiàn)123融合了V1、V2和V3各個(gè)尺度的綜合上下文信息。對(duì)于縮小特征流輸入的漸進(jìn)輸入方式，執(zhí)行相同的操作。

在漸進(jìn)特征提取網(wǎng)絡(luò)中，隨著輸入的切片數(shù)量越來越多，融合的結(jié)節(jié)特征越來越豐富。其中，放大特征流輸入的網(wǎng)絡(luò)的視野逐漸縮小，意味著網(wǎng)絡(luò)逐漸聚焦于一個(gè)結(jié)節(jié)區(qū)域。同理，縮小特征流輸入的漸進(jìn)特征提取網(wǎng)絡(luò)中采用一種類似但相反的融合方式使網(wǎng)絡(luò)視野逐漸擴(kuò)大，網(wǎng)絡(luò)通過逐漸聚焦鄰近區(qū)域，結(jié)合結(jié)節(jié)鄰近的上下文信息，可以融合更多的結(jié)節(jié)深層特征。兩種不同的漸進(jìn)輸入方式會(huì)融合兩種相反的深層抽象特征。

1.3 多流特征集成

由于放大特征流和縮小特征流以不同的輸入順序聚焦于圍繞候選結(jié)節(jié)不同尺度的形態(tài)和上下文信息，因此從不同流中學(xué)習(xí)到的特征可以相互補(bǔ)充來減少假陽性。

本文設(shè)計(jì)了一個(gè)如圖4所示的網(wǎng)絡(luò)來融合來自兩個(gè)流的特征信息，稱之為多流特征集成網(wǎng)絡(luò)。該模塊由輸入層、卷積層、池化層、全連接層、輸出層組成。在每個(gè)隱藏層之后插入批量歸一化層，來確保更高的學(xué)習(xí)速度和降低過擬合，并添加dropout層，進(jìn)一步降低過擬合，最后在全連接層使用sigmoid激活函數(shù)，生成0到1之間的結(jié)節(jié)預(yù)測概率值。

圖4 多流特征集成

(1)

綜上所述，本文提出的網(wǎng)絡(luò)由漸進(jìn)特征提取模塊以及多流特征集成模塊組成。在不同流輸入的漸進(jìn)特征提取模塊中，連續(xù)的兩尺度結(jié)節(jié)立方塊輸入之間插入兩個(gè)可變形卷積層，在相同大小卷積核的情況下，特征圖的數(shù)量增加了18倍。為了簡化從卷積層輸出的信息，在特征圖F123后添加一個(gè)池化核為3×3，步長為2的最大池化層。池化處理以后添加兩個(gè)卷積核為3×3的卷積層得到一個(gè)256通道的特征圖。對(duì)不同流輸入的漸進(jìn)特征提取圖進(jìn)行元素級(jí)相加得到多流特征集成圖F，在F添加一個(gè)最大池化層，兩個(gè)卷積層以及兩個(gè)全連接層。最終輸出一個(gè)0到1之間的結(jié)節(jié)預(yù)測概率值，當(dāng)預(yù)測值介于0.5和1之間時(shí)，該候選結(jié)節(jié)被檢測為真結(jié)節(jié)；介于0和0.5之間時(shí)，該候選結(jié)節(jié)被檢測為非結(jié)節(jié)。

2 實(shí)驗(yàn)與分析

2.1 實(shí)驗(yàn)數(shù)據(jù)集

本文在LUNA16[10]數(shù)據(jù)集和合作醫(yī)院數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)評(píng)估。LUNA16數(shù)據(jù)集包含888張CT掃描圖像。經(jīng)放射學(xué)專家標(biāo)注篩選后獲得1186個(gè)結(jié)節(jié)。

合作醫(yī)院提供了267位病人的DICOM格式的肺部CT圖像，經(jīng)放射學(xué)專家標(biāo)注后共計(jì)356張CT掃描圖像，包括266個(gè)結(jié)節(jié)。由于CT掃描是在醫(yī)院各部門之間以復(fù)雜的程序進(jìn)行流轉(zhuǎn)，并且只有一位放射學(xué)專家僅標(biāo)注了肺結(jié)節(jié)的中心坐標(biāo)，沒有標(biāo)注結(jié)節(jié)直徑等其它特征，因此僅用來驗(yàn)證模型的泛化能力和擴(kuò)展數(shù)據(jù)集(已與醫(yī)院簽署數(shù)據(jù)隱私處理相關(guān)協(xié)議)。

LUNA16數(shù)據(jù)集和合作醫(yī)院數(shù)據(jù)集采用文獻(xiàn)[1,2,12]的肺結(jié)節(jié)檢測方法來提取候選結(jié)節(jié)。如表1所示，LUNA16數(shù)據(jù)集獲得了548 652個(gè)候選結(jié)節(jié)，其中有1291個(gè)和547 631個(gè)候選結(jié)節(jié)分別被標(biāo)記為結(jié)節(jié)和非結(jié)節(jié)。對(duì)比放射學(xué)醫(yī)師的標(biāo)注，1291個(gè)結(jié)節(jié)中有1120個(gè)結(jié)節(jié)是真結(jié)節(jié)；合作醫(yī)院數(shù)據(jù)集獲得了123 593個(gè)候選結(jié)節(jié)，其中有303個(gè)和123 290個(gè)候選結(jié)節(jié)分別被標(biāo)記為結(jié)節(jié)和非結(jié)節(jié)。對(duì)比放射學(xué)醫(yī)師的標(biāo)注，303個(gè)結(jié)節(jié)中有255個(gè)結(jié)節(jié)是真結(jié)節(jié)。

表1 候選結(jié)節(jié)統(tǒng)計(jì)數(shù)據(jù)

2.2 實(shí)驗(yàn)細(xì)節(jié)

本文模型的實(shí)驗(yàn)環(huán)境基于Windows10操作系統(tǒng)，硬件環(huán)境CPU為2.90 GHz Intel(R) Xeon(R)W-2102(8 G內(nèi)存)，GPU為NVIDIA GTX Titan XP(12 G顯存)，編程開發(fā)環(huán)境為CUDA Toolkit 10.0，編程語言為Python 3.6，深度學(xué)習(xí)框架為keras。

2.3 結(jié)果與分析

2.3.1 對(duì)比實(shí)驗(yàn)結(jié)果分析

實(shí)驗(yàn)過程中使用競爭性能指標(biāo)(competition perfor-mance metric，CPM)和受試者操作特征自由響應(yīng)曲線(free-response receiver operating characteristic，F(xiàn)ROC)來評(píng)估所提出框架的性能。CPM定義為每次掃描7個(gè)預(yù)先確定的假陽性率(0.125、0.25、0.5、1、2、4和8 FP/scan)下靈敏度的平均值。靈敏度為檢測到的候選結(jié)節(jié)中真結(jié)節(jié)的個(gè)數(shù)在標(biāo)準(zhǔn)結(jié)節(jié)個(gè)數(shù)中的比例，定義為

(2)

式中：TP為本身是結(jié)節(jié)最后也被預(yù)測為結(jié)節(jié)的個(gè)數(shù)；FN為本身是結(jié)節(jié)但被預(yù)測為非結(jié)節(jié)的個(gè)數(shù)。FROC的橫坐標(biāo)為靈敏度，縱坐標(biāo)為每個(gè)掃描中平均假陽性的個(gè)數(shù)。此外，在消融實(shí)驗(yàn)中統(tǒng)計(jì)了正確分類的結(jié)節(jié)和假陽性結(jié)節(jié)的數(shù)量，從而清晰展現(xiàn)假陽性降低的效果。

Setio等[4]使用輸入為9個(gè)不同方向的一組2D平面來訓(xùn)練多個(gè)2D CNN網(wǎng)絡(luò)進(jìn)行肺結(jié)節(jié)檢測。Ding等[13]使用輸入為三維結(jié)節(jié)塊的3D CNN網(wǎng)絡(luò)用于肺結(jié)節(jié)檢測。Dou等[5]使用輸入為多個(gè)尺度的三維結(jié)節(jié)塊來訓(xùn)練多個(gè)3DNN網(wǎng)絡(luò)來降低肺結(jié)節(jié)檢測中的假陽性。如表2、圖5所示，在LUNA16測試集上，本文框架的CPM評(píng)分為0.940，明顯高于文獻(xiàn)[4,5,13,19]中提出的方法。與同樣使用多尺度結(jié)節(jié)塊輸入的Dou等[5]提出的方法相比，CPM評(píng)分提高了0.032。此外，本文的方法在假陽性率為0.125、0.25和0.5的情況下靈敏度最高。由于文獻(xiàn)[5,13]中使用三維卷積神經(jīng)網(wǎng)絡(luò)，能對(duì)結(jié)節(jié)信息進(jìn)行較全面的編碼，所以在假陽性率為2、4、8的情況下靈敏度略低。但是三維卷積神經(jīng)網(wǎng)絡(luò)的輸入需要保證切片厚度相同，會(huì)造成預(yù)處理更加復(fù)雜，增加了時(shí)間成本和訓(xùn)練成本。如表3、圖6所示，在合作醫(yī)院測試集上，本文框架在所有假陽性率條件下，靈敏度最高。與其它4種提出的方法相比，CPM評(píng)分分別提高了0.078、0.081、0.07和0.062，表明本文的方法能漸進(jìn)集成的提取更多的特征信息來區(qū)分真正的結(jié)節(jié)，減少誤檢。

圖5 不同方法在LUNA16數(shù)據(jù)集上的FROC曲線對(duì)比

圖6 不同方法在合作醫(yī)院數(shù)據(jù)集上的FROC曲線對(duì)比

表2 不同方法在LUNA16數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果對(duì)比及CPM評(píng)分

表3 不同方法在合作醫(yī)院數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果對(duì)比及CPM評(píng)分

2.3.2 消融實(shí)驗(yàn)結(jié)果分析

為了檢驗(yàn)該框架中每個(gè)組件的效果，本文進(jìn)行了消融實(shí)驗(yàn)，共設(shè)計(jì)了5組多尺度卷積神經(jīng)網(wǎng)絡(luò)(multi-scale convolutional neural network，MCNN)對(duì)比實(shí)驗(yàn)，結(jié)果見表4。第一組是如圖7所示的將多尺度的三維結(jié)節(jié)塊在輸入級(jí)拼接的基本集成多尺度卷積神經(jīng)網(wǎng)絡(luò)(MCNNs1)，最終輸出一個(gè)0到1之間的結(jié)節(jié)預(yù)測概率值pi；第二組是如圖8所示的將多尺度三維結(jié)節(jié)塊使用可變形卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取后，對(duì)3個(gè)特征圖進(jìn)行元素級(jí)相加集成作為輸入的多尺度卷積神經(jīng)網(wǎng)絡(luò)(MCNNs2)，最終輸出一個(gè)0到1之間的結(jié)節(jié)預(yù)測概率值pi；第三組是如圖4上層網(wǎng)絡(luò)所示的將多尺度的三維結(jié)節(jié)塊按照V1-V2-V3的順序漸進(jìn)融合各尺度特征信息作為輸入的漸進(jìn)多尺度可變形卷積神經(jīng)網(wǎng)絡(luò)(MCNNs3)；第四組是如圖4下層網(wǎng)絡(luò)所示的將多尺度的三維結(jié)節(jié)塊按照V3-V2-V1的順序漸進(jìn)融合各尺度特征信息作為輸入的漸進(jìn)多尺度可變形卷積神經(jīng)網(wǎng)絡(luò)(MCNNs4)；第五組是本文提出的漸進(jìn)集成可變形卷積神經(jīng)網(wǎng)絡(luò)。

為了設(shè)計(jì)一個(gè)泛化能力比較強(qiáng)的網(wǎng)絡(luò)，所以本文在合作醫(yī)院數(shù)據(jù)集上做消融實(shí)驗(yàn)。從表4、圖9中可以看出，漸進(jìn)特征提取實(shí)驗(yàn)MCNNs3和MCNNs4的CPM評(píng)分和檢測出的真結(jié)節(jié)數(shù)量均高于MCNNs1和MCNNs2；多流特征集成實(shí)驗(yàn)MCNNs1和MCNNs2的假陽性結(jié)節(jié)數(shù)量高于MCNNs3和MCNNs4；說明了漸進(jìn)特征提取能更好地降低假陽性。

其次，在多流特征在集成的效果上，本文提出的方法具有最高的CPM評(píng)分、最高的結(jié)節(jié)檢出數(shù)量和最低的假陽性結(jié)節(jié)數(shù)量，說明了多流特征集成能有效地降低假陽性。此外，這5種方法的CPM評(píng)分均高于已提出的方法[4,5,13,19]。綜合表中5組實(shí)驗(yàn)結(jié)果可以看出通過結(jié)合這些組件，所提出框架性能得到了提高。

圖7 基本集成多尺度卷積神經(jīng)網(wǎng)絡(luò)

圖8 元素級(jí)相加集成多尺度卷積神經(jīng)網(wǎng)絡(luò)

圖9 消融實(shí)驗(yàn)在合作醫(yī)院數(shù)據(jù)集上的FROC曲線對(duì)比

2.3.3 檢測結(jié)果

本文框架可以準(zhǔn)確地識(shí)別多種大小、形狀和位置的結(jié)節(jié)。圖10為成功檢測出的結(jié)節(jié)，結(jié)節(jié)下方是預(yù)測值。圖中第一行結(jié)節(jié)半徑大、邊緣清晰、形狀各異，能以高于0.90的預(yù)測值被成功檢出。第二行結(jié)節(jié)為實(shí)性結(jié)節(jié)，形態(tài)不規(guī)則或邊緣不清。然而，本文框架能夠以高于0.70的預(yù)測值檢測這些具有挑戰(zhàn)性的樣本。第三行結(jié)節(jié)是檢測可信度不高但預(yù)測成功的結(jié)節(jié)，它們的密度與周圍肺實(shí)質(zhì)密度非常接近，體積小，有些還具有復(fù)雜的周圍冗余信息，可能是預(yù)處理過程中對(duì)CT圖片進(jìn)行了歸一化導(dǎo)致檢測效果不好。

表4 消融實(shí)驗(yàn)結(jié)果對(duì)比

圖10 肺結(jié)節(jié)檢測結(jié)果

這些樣本在數(shù)據(jù)集中的數(shù)量較少，代表性不足，因此對(duì)其分類效果有限，預(yù)測值在0.50到0.60之間。

3 結(jié)束語

本文提出了一種多尺度漸進(jìn)集成可變形卷積神經(jīng)網(wǎng)絡(luò)用于肺結(jié)節(jié)檢測中降低假陽性的方法，主要采用了4種策略：①使用三維多尺度候選結(jié)節(jié)塊作為輸入；②按照輸入順序漸進(jìn)融合不同尺度的候選結(jié)節(jié)特征信息；③通過端到端的學(xué)習(xí)方式集成多流特征，有效降低了假陽性；④通過在合作醫(yī)院數(shù)據(jù)集上對(duì)模型進(jìn)行驗(yàn)證和優(yōu)化，提高了模型的泛化能力。實(shí)驗(yàn)結(jié)果表明，本文方法能有效降低結(jié)節(jié)檢測的假陽性，并適用于真實(shí)的臨床數(shù)據(jù)。在現(xiàn)有候選結(jié)節(jié)假陽性降低模型中取得了最優(yōu)的效果。但是對(duì)于極少量與周圍肺實(shí)質(zhì)密度接近，體積小，背景復(fù)雜的候選真結(jié)節(jié)，本文方法的預(yù)測結(jié)果雖然正確，但是預(yù)測概率值接近于0.5，可信度不高，這是因?yàn)榇祟惤Y(jié)節(jié)的數(shù)量極少，導(dǎo)致框架性能存在偏差。

從系統(tǒng)的角度來看，本研究并不是開發(fā)一個(gè)完整的肺結(jié)節(jié)檢測系統(tǒng)，而主要是針對(duì)假陽性降低部分的改進(jìn)。由于所提出的方法獨(dú)立于候選結(jié)節(jié)檢測，本文的方法可以與更好的候選結(jié)節(jié)檢測方法結(jié)合來提高結(jié)節(jié)檢測結(jié)果。