体积胸部计算机断层扫描扫描中肺结节的自动检测在计算机辅助肺癌诊断和早期治疗中起着重要作用。肺结节是放射学上可见的小结构，在肺间质图像中是大致球形的不透明。它们被认为是原发性肺癌的关键指标，近年来它一直是癌症死亡的主要原因。基于可靠的肺结节检测，放射科医师和外科医生可以进行肿瘤恶性肿瘤诊断的尺寸测量和外观特征并且，如有必要，及时进行手术干预，以增加患者的生存机会。
　　 自动肺结节检测系统主要包括两个步骤：候选筛选和假阳性减少。在候选筛选中，使用各种标准在整个体积中快速筛选相当数量的粗略候选。在假阳性减少中，开发了有效的分类器以及辨别特征以减少大量假阳性候选者。为了在候选筛选中保持高灵敏度，该步骤中采用的标准通常非常简单和宽松，因此选择了大量候选者并转发到第二步。在这方面，假阳性减少是自动肺结节检测系统中最重要的组成部分，并且已经投入了大量努力来改善该步骤的性能。
　　 然而，从胸部计算机断层扫描扫描中自动识别肺结节是计算机辅助胸部X线分析中最具挑战性的任务之一，至少有以下两个原因。首先，肺结节的大小，形状和位置有很大的变化。此外，它们周围的环境环境通常多样化，以适应不同类型的肺结节，如孤立结节，磨玻璃不透明结节，腔结节和胸膜结节。其次，一些假阳性候选者与真正的肺结节具有非常相似的形态外观。这些硬模拟的存在会严重阻碍检测过程。
　　 本文强调特别关注假阳性减少成分，而不是开发通常整合候选检测器和假阳性还原剂的整个肺结节检测系统。这意味着所提出的方法独立于候选筛选方法，因此可以与任何候选检测器组合。确实，最终检测准确度还取决于候选筛选方法的性能。如果提供的候选人具有更高的敏感度，那么此次的框架可以取得更好的结果。
　　 请注意，所有参与的团队都采用了深度卷积网络来应对这一挑战。可以看到，卷积神经网络作为自然图像处理的主导趋势，在医学图像分析界迅速普及。尽管卷积神经网络越来越多地应用于医学成像应用，但迄今为止大多数工作都建立在二维卷积神经网络之上。在这次挑战中也是同样的情况，七个参与者中有五个使用了二维卷积神经网络变体。这为这些数据驱动方法提供了在医疗应用中表现出色的机会。观察到所有网络都被有效地训练，其中滤波器呈现出各种取向的相似图案，因为早期层通常负责常见的低级特征，例如边缘，角落和强度梯度。
　　 在本文中，研究人员提出了一个基于三维卷积神经网络的框架，用于计算机辅助检测体积计算机断层扫描扫描的肺结节。研究人员展示了利用三维多级上下文信息在利用卷积网络检测具有大变化的病变和来自体积医学数据的硬模拟时的重要性和有效性。原则上，所提出的框架是通用的，并且可以容易地扩展到3D医学图像中的其他对象检测任务。进一步的研究包括在更多的临床数据上进行评估，并在放射科医生和外科医生的帮助下在临床实践中进行推广。