癌症死亡的最常见原因之一是全世界的肺癌。肺癌占所有癌症死亡人数的27%，2016年仅在美国估计有224,390例新病例和158,080例死亡。低剂量计算机断层扫描(CT)广泛用于筛查计划，以降低这种高死亡率。早期发现小结节的检测和治疗对于预防肺癌死亡至关重要。低剂量CT可以在早期检测小结节和癌。此外，与胸片 相比，低剂量CT筛查可使肺癌死亡率降低20%。出于这个原因，许多基于低剂量CT成像的筛查程序，已被开发用于有效检测肺癌，但筛查程序中的阅读过程导致放射科医师的繁重工作量。此外，这种繁重的工作量可能会导致结节的解释和检测出错。
　　计算机辅助检测(CAD)系统可以通过辅助放射科医师来减轻人类筛查中的上述问题。具体而言，CAD系统提高了癌症检测的准确性，减少了放射科医师在检查评估中的工作。用于检测肺结节的CAD系统也已经过十多年的研究和改进，但由于两个主要原因，这些仍然很少用于临床实践。首先，结节和非结节被错误分类，因为结节在大小，形状和环境方面有很大差异，非结节也有不同的模式。由于CAD系统通常追求非常高的灵敏度作为不错过肺结节的优先级，因此可以减少错误分类的结节的数量。然而，大量误报以高灵敏度为代价而发生。这些需要放射科医生给予额外关注的误报也阻碍了CAD系统的实际应用 。其次，体积3D图像的使用需要非常高的计算成本和巨大的存储器存储，这直接影响训练和检测过程的速度。
　　大多数用于肺结节检测的CAD系统采用两阶段框架，包括候选检测和假阳性减少。在第一阶段，根据简单的方法检测到结节候选物包括尽可能多的恶性结节。这个阶段的目标是检测所有可疑病变，尽管它会返回大量误报。墨菲等人。计算形状指数和曲率作为3D结节特征。对这两个特征进行阈值处理以定义种子点。然后，通过基于种子点的位置聚类和合并种子点来定义候选结节。雅各布斯等人。应用双阈值密度掩模来获得粗糙的结节体素。进行连通成分分析以将粗糙的结节体素聚集成形态侵蚀后的结节，用于将结节与肺，血管和气道的边缘分开。提出了由初始候选检测，聚类和细化组成的候选检测。进行阈值化和形态学开放的多阶段过程以检测初始候选者。然后，通过连通分量分析对所有连接的体素进行聚类以形成候选。区域生长和形态学操作进一步用于获得更准确的候选者坐标。
　　由于候选检测提供了大量结节候选，因此需要在后续阶段减少误报。为此，已经提出了几种基于机器学习的技术。这些方法利用从低级到高级的各种手工制作功能。强度，颜色和体积大小将用作低级功能。对于高级特征，引入了紧凑性，纹理，形状，伸长率和曲率张量。但是，这些手工制作的功能需要经过精心设计才能成功训练分类器。神经网络，如人工神经网络和卷积神经网络可以消除设计特征的工作。随着最近卷积神经网络在计算机视觉中的成功，一些医学成像应用也广泛使用它们进行假阳性减少在肺结节检测。
　　在本文中，我们提出了一个新的框架，一个使用单一视图的2D CNN集合，用于肺结节检测的有效和准确的假阳性减少。与先前利用3D体积补丁的方法相比，所提出的框架利用2D补丁来提高存储器使用和计算效率而不降低性能。尽管3D CNN利用更多信息，但如果没有由大量参数和层组成的复杂架构，则很难从3D数据中学习代表性特征。然而，有限的计算资源导致难以构建复杂的3D体系结构。从成功的作品基于2D单视图，我们声称可以从单个视图中学习结节的代表性特征。例如，通常在3D CT扫描的单个视图中区分圆形的结节。为了提高2D CNN的能力，以便从具有大的外观变化的非结节中学习代表性特征，我们采用了训练方案一个集合网络，其中每个网络都使用相同的结节在不同类型的非结节上进行训练。通过该训练方案，可以扩展每个2D CNN的能力，以成功区分特定类型的非结节和结节。此外，这些2D CNN的集合可以通过减轻单个网络的偏差来减少大量误报。与Suzuki等人不同。手动对非结节进行分类以执行此训练方案，我们引入了一种使用自动编码器和k均值聚类的特征提取方法。用于全自动非结节分类而无需放射科医师的手。注意，非结节基本上表示结节候选物中的假阳性。通过使用自动编码器，我们可以自动提取非结节的代表性特征。然后我们通过使用k均值聚类对关于这些特征的非结节进行分类。该方案有效地消除了放射科医师对非结节类型进行分类的工作。我们在大规模基准数据集上进行了大量实验。我们比较了基于五种不同培训方案的拟议框架，以确认我们的关键思想的有效性。此外，与最先进的肺部检测假阳性减少技术相比，我们获得了最佳性能。