肺癌是最常被诊断出的癌症，并且是2012年男性癌症死亡的最主要原因。显然，肺癌已成为人类生命的主要威胁。然而，患有早期肺癌的人不会出现任何临床症状。一旦肺癌充分发展，患者才会开始出现症状。因此，早期发现对肺癌的生存能力至关重要，可以提高治疗效果，增加患者的生存机会。
　　低剂量计算机断层扫描(CT)是早期识别肺癌的有效方法。然而，放射科医师必须仔细检查大量CT图像中的每个图像，这大大增加了放射科医生的劳动负担。另一方面，当使用CT图像诊断肺部疾病时，放射科医师倾向于主观，经常导致同一放射科医师在不同时间或检查相同CT图像的不同放射科医师的结果不一致。为了减轻这些诊断挑战，使用自动图像分类技术的计算机辅助诊断系统可以用于帮助放射科医师的准确性和速度。
　　大多数传统的结节自动分类方法不能以端到端的方式工作：首先，它们使用预定义的滤波器提取特征，例如定向梯度直方图的描述符和小波特征描述符，或它们中提取的手工制作的功能，如那些在几何相关，外观或纹理。
　　通过这些预定义特征识别的替代方案是通过使用特征学习方法直接从训练数据学习高级表示。卷积神经网络(CNN)作为一种快速，可扩展的端到端学习框架，大大推动了计算机视觉领域的发展，例如图像分类，对象检测，语义分割和动作识别的任务，等等。然而，在这些模型CNN的卷积都是二维(2D)。
　　最近，CNN的架构经历了一些改进。LeCun等。其中卷积层和汇集层交替连接。该模型在美国被广泛用于识别手写支票上的数字。Krizhevsky等。在两个GPU上构建了一个大规模的CNN，最终赢得了ILSVRC-2012的竞争。林等人。添加了1×1的卷积层到他们的网络，以增加表达能力，这是巨资GoogLeNet。视觉几何组(VGG)鼓励模型设计师使用小卷积来构建更深层次的网络。后来，谷歌设计了几个基于Inception架构的CNN版本。初始架构的第一个版本(Inception v1)在同一个卷积层中使用了不同的内核大小。批量标准化在Inception v2中引入。在初始v3中，较大的卷积被设计为分成多个小卷积，而n × n卷积被设计成分为1× n和n ×1卷积。
　　在CNN在图像识别领域的成功的推动下，已经努力将该技术应用于医学诊断，尤其是CT中的肺结节分类。库马尔等人。使用自动编码器和CNN将肺结节分类为恶性或良性，达到最佳准确度77.52%。杠杆随机序列发生器由三个随机形成的卷积层组成，准确度为84.49%，灵敏度为91.07%，特异性为75.98%。研究人员使用具有3个隐藏层的堆叠去噪自动编码器从收集的CT扫描中提取特征。他们将这些功能与96个原始手工制作的成像功能相结合，并将它们输入SVM分类器。结果表明，该方法比仅使用原始手工制作的原始特征的传统方法更有效。沉等人。提出了多尺度卷积神经网络，它可以通过从交替堆叠的层提取判别特征来捕获结节的异质性。他们然后修改了他们的模型并提出了一种多作物卷积神经网络，它能够通过采用一种新的多作物合并策略自动提取显着的结节信息，该策略从卷积特征图中裁剪出不同的区域，并在不同的时间应用最大池。
　　3D CNN在医学成像应用领域中的使用仍处于初期阶段。使用多级3D CNN，目的是减少肺结节检测中的假阳性。该算法在LUNA16中获得了最高的CPM分数。还存在用于医学成像应用的3D CNN的其他变体。还使用3D CNN结合条件随机场来从CT图像中分割肝脏。他们在公共数据集MICCAI-Sliver07上评估了模型的性能，并获得了最先进的效果。他们还使用3D完全卷积网络来检索脑微出血候选者，然后应用3D CNN来区分CMB和模拟物，在具有320个体积磁共振扫描的数据集中产生93.16%的灵敏度。该管道通过其在具有创伤性脑损伤，脑肿瘤和缺血性中风的多通道磁共振成像数据中的病变分割的3个具有挑战性的任务中的表现来评估。
　　胸部CT产生一定量的切片，可以对其进行操作以展示肺中身体结构的各种体积表示。2D卷积忽略了第三个空间维度，意味着它无法充分利用3D上下文信息，3D CNN显然可以弥补这一点。研究人员根据经验调查使用3D多视图卷积神经网络以端对端方式对通过计算机断层扫描捕获的肺结节进行分类的挑战，并进行二元分类(良性和恶性)和来自Lung Image Database Consortium图像采集的CT图像上的三元分类(良性和恶性原发性和转移性恶性)。研究人员的主要贡献可归纳如下：
　　研究人员使用3D CNN自动分类肺结节。与2D模型相比，3D CNN可以编码更丰富的空间信息以提取更可区分的表示。
　　模型中使用了多视图补丁。但是，使用的多视图一网络策略不同于论文中使用的单视图一网络策略。结果表明，研究人员的策略可以实现比单视图一网络策略更低的错误率，同时使用更少的参数。请注意，虽然论文中使用的模型使用了类似的策略，但他们只使用了2D CNN，而本文中使用了3D CNN。
　　据知，模型比其他与LIDC数据集CT图像分类相关的工作取得了更好的结果。
　　本文研究了具有多视图 - 单网络策略的3D MV-CNN在肺结节分类中的潜力。研究人员进行了两项分类任务：1)二元分类，其中结节分为良性和恶性，和2.)三元分类，其中结节分为良性，原发恶性和转移性恶性。研究人员使用链式架构和DAG架构探索了网络。对于具有链式架构的CNN，结果表明多视图一网络策略可以帮助提高3D CNN的分类性能，并且3D MV-CNN的性能显着超过2D MV-CNN的性能。对于具有DAG架构的3D CNN，所有网络都采用多视图一网络策略。Inception1的3D变体在所有网络中获得最低的错误率，二进制分类的错误率为4.59%，三元分类的错误率为7.70%，优于LIDC数据集分类的其他工作。结果表明，除了提高精度之外，3D Inception1的参数比具有链式架构的3D MV-CNN少，因为使用1×1×1卷积层和平均池来代替完全连接层。研究人员将多视图一网络策略与单视图一网络策略进行比较。结果表明，多视图一网络策略可以实现比单视图一网络策略更低的错误率。