在全球范围内，肺癌是发病率和死亡率位居癌症首位的恶性肿瘤，而肺结节是其在临床上的早期症状表现，因此对肺结节进行早期检测的意义重大。目前，计算机断层扫描(computed tomography，CT)是医生筛查肺结节的主要技术，但是随着CT扫描层数的增加，放射科医生的负担也随之加重。肺癌早期的症状并不明显，早期患者身体没有异样，等出现异样的时候，已经处于肺癌中期或者晚期，由于目前医学水平的限制，很多晚期患者会放弃治疗，但是早期患者可以通过临床手术的方式治疗，并且具有很高的存活率。因此，尽早诊断对肺癌患者来说特别重要，定期体检就显得尤为重要。在医学上，肺结节称为肺内类球形病灶，其直径一般在3~30 mm。根据肺结节的空间位置信息，可以把肺结节分为孤立型肺结节、近肺壁结节以及近血管结节。

基于深度学习的自然图像检测算法在医学图像上也表现出了巨大的潜能。以机器学习和深度学习为基础的计算机辅助检测系统(computer-aided detection，CAD)可以自动分析影像数据，定位可疑的病灶区域，从手动设计特征、用机器学习方法对结节进行简单的良恶性分类到利用深度学习方法进行精确识别结节，CAD技术越来越成熟。典型的基于深度学习的肺结节检测框架有两个主要任务。任务1是检测候选结节，尽可能从CT扫描图像中检测出所有的真实结节，结果通常包括大量的假阳性。任务2是区分结节和非结节，用于减少前一步产生的大量假阳性。这种检测方法称为两阶段的肺结节检测算法。而将结节候选检测和假阳性减少整合到一个模型中共同训练，使用一个端到端的结节检测框架进行肺结节检测更加符合临床应用。

深度学习方法中典型的结节检测网络模型主要包括卷积神经网络(convolutional neural network，CNN)、YOLO(you only look once)、全卷积神经网络(fully convolutional networks，FCN)、区域卷积神经网络(region-CNN，R-CNN)、更快速的区域卷积神经网络(faster R-CNN)和特征金字塔网络(feature pyramid networks，FPN)等(张福玲和张少敏，2020)。例如Ramachandran等人(2018)提出的检测框架使用了目前流行的目标检测体系结构YOLO来检测CT扫描中的结节。通过使用单个CNN同时预测多个边界框以及这些框的类概率来优化回归问题，该算法在LIDC-IDRI(the lung image database consortium)数据集上进行评测，在每个扫描有6个假阳性时敏感度为89 %。Ding等人(2017)采用2D faster R-CNN网络模型实现肺结节的检测，在LUNA16(lung nodule analysis 16)数据集上进行十折交叉验证，结果表明在每个扫描1次和4次假阳性时，检测敏感度分别为92.2 %和94.4 %。Xie等人(2019)为了整合结节的3D信息和学习结节不同的特征，分别采用3种不同方向的切片训练了3种faster R-CNN检测模型，最后将这3种模型融合获得最终检测模型，此方法在LUNA16数据集上验证，检测敏感度为86.42 %，竞争性能指标(challenge performance metric，CPM)为0.775。Liao等人(2019)设计3维区域生成网络来实现肺结节的检测，网络骨干采用U-Net网络，在DSB(data science bowl)数据集上CPM为0.856 2。在LUNA16挑战赛中，Guo等人(2017)提出的结节检测框架分别使用2维轴向切片和3维CT图像训练卷积神经网络来检测候选结节，在LUNA16数据集进行十折交叉验证评估模型，该框架在结节检测任务上表现出了较好的性能，CPM为0.949 9。赵鹏飞等人(2018)采用不同大小输入的卷积神经网络进行结节检测，在LIDC-IDRI(the lung imgage database consortium-image database resource initiative)数据集上评估模型，当假阳性率为0.1时达到80 % 的敏感度，平均检出率为85.51 %。Zhu等人(2018a)提出了一阶段的结节检测算法，通过端到端地训练3维深度双路径网络(dual path nets，DPN)，敏感度为95.8 %，CPM为0.842；提出的3D faster R-CNN结节检测算法敏感度为94.6 %，CPM为0.834。Tang等人(2020)基于迁移学习的多尺度特征，建立了具有多尺度特征结构的3D U-Net卷积神经网络模型，可以从包含背景和噪声的胸腔区域检测肺结节。在LUNA16和阿里天池17(TIANCHI17)数据集上进行五折交叉验证，对小型结节的检测准确率达到70 % 以上。Fu等人(2020)提出了一种改进的3D U-Net深度学习模型，用于在胸部CT图像上自动检测肺结节。该模型在LIDC-IDRI数据集的89例CT扫描上进行验证，CPM为0.947，在日本一家城市大学医院提供的450例胸部CT扫描上进行验证，CPM为0.833，表明改进3D U-Net深度学习模型在肺结节检测性能上具有很好的鲁棒性。高智勇等人(2020)提出的基于特征金字塔网络的肺结节检测方法在平均每个扫描中的候选结节数为46.7时，检测敏感度为95.7 %。而刘秀玲等人(2020)在VGG16(Visual Geometry Group Network 16)网络上设计了具有3层模块结构的多尺度肺结节检测方法，平均检测精度达到90.9 %。曹宇等人(2020)也是通过对VGG16的改进实现对肺结节的检测。特征金字塔以及多尺度的方法在小结节的检测上表现出潜力。Liao等人(2019)、赵鹏飞等人(2018)、Zhu等人(2018a)以及Tang等人(2020)均采用了一阶段的检测方法，证明了一阶段方法在降低模型复杂度以及推理时间的情况下可以提高结节检测性能，在肺结节检测上表现出了巨大的潜力。

但是由于肺内环境复杂、肺结节体积变化大、形状各异，存在小结节(3~10 mm)漏检以及检测结果的低敏感度高假阳性的问题。针对以上问题，从算法复杂度、处理速度和计算效率上考虑，抛弃了传统的两阶段模式，提出了一个融合注意力机制和特征金字塔的端到端的肺结节检测模型。通过设计的基于通道—空间注意力机制的特征提取模块与基于特征金字塔的联结预测结构，能够较好解决结节检测问题中3~10 mm小结节漏检、近血管结节等非显著性目标的检测问题。

本文提出的肺结节检测方法主要包括以下步骤：

1) 采用阈值化加形态学操作进行肺实质的分割，构成训练和测试的图像数据集。

2) 设计通道—空间注意力的特征提取模块，有效区分结节与正常组织、其他病变区，并且提高对实性结节、亚实性结节、非实性结节(磨玻璃结节)以及近血管、近肺壁结节的检测能力。

3) 将融合有前馈路径特征信息的特征图尺寸分别为6×6×6、12×12×12以及24×24×24的输出特征图构成特征金字塔，输出多个尺度融合下的预测结果。

融合注意力和特征金字塔可以从特征提取和结果预测两方面双管齐下提高对小结节的检测性能。

CT图像进行预处理步骤如下：

1) 重采样。将所有CT图像重新采样到1 mm×1 mm×1 mm，以消除扫描仪分辨率的差异。

2) 设定HU(Hounsfield unit，亨氏单位)阈值(石陆魁等，2020)。对肺部CT图像进行处理时，根据肺的CT值进行划分，肺的灰度值HU值为-500，所以保留HU值在[-1 000，400]的肺部区域，将其他无关的部分舍去。

3) 将原始数据的体素值裁剪到[-1 200，600]范围，并归一化为[0，255]。

4) 分割肺实质。采用阈值化加形态学操作进行肺实质的分割。

肺结节检测网络结构如图 1所示，主要由数据预处理模块、注意力特征提取模块、特征金字塔多尺度预测模块和肺结节检测模块4部分组成。整体网络由U-Net主干和区域建议网络(region proposal network，RPN)输出层组成，U-Net主干使网络能够捕获多尺度信息，对肺部CT图像的精细层和粗糙层信息进行结合使模型能做出遵从全局结构的局部预测，以提升小结节的检测效果，RPN的输出格式使网络可以直接生成建议框，输出结节的位置和概率信息。

经过数据预处理模块后，输入图像块的像素数量为96×96×96。注意力特征提取模块是网络的前馈路径，以2个具有24个通道的3×3×3卷积层开始，结构如图 1(a)，接着是由平均池化与最大池化组成的通道注意力模块，将通道注意力(channel attention，CA)的输出和原特征图相乘，然后是4个3D残差块和4个3D最大池化层(池化核大小为2×2×2，步长为2)交错排列。前两个3D残差块由2个残差单元组成，后两个3D残差块由3个残差单元组成，具体结构如图 1(b)。所有前馈路径的卷积核的大小为3×3×3，在该部分的结束是一个空间注意力模块，用原特征图与空间注意力(spatial attention，SA)的输出相乘。

特征金字塔多尺度预测模块是网络的反馈路径，由两个反卷积层和两个合并单元组成。每个反卷积层的步长为2，卷积核大小为2×2×2。每个合并单元将前馈块和反馈块连结起来，并将输出发送到残差块。在第2个组合单元中，将patch的裁切位置信息($x$，$y$，$z$)作为额外的输入，该组合单元的特征图的尺寸为24×24×24×131(131为通道数)。分别融合有前馈路径特征信息的6×6×6、12×12×12以及24×24×24输出特征图上构成特征金字塔，共享最后的输出层进行分类和回归。

肺结节检测模块中的输出层由两个通道分别为64和15的1×1×1卷积组成，结构如图 1(c)，输出层的结果为24×24×24×15。将4D输出张量调整为24×24×24×3×5，最后两个维度分别对应于anchor的个数和回归框的参数个数。在RPN的启发下，该网络在每个位置都具有3个不同比例的anchor，分别对应于3个边界框，它们的长度分别为5 mm、10 mm和20 mm。因此，总共有24×24×24×3个anchor boxes。模型的输出包括5个回归值，分别是结节预测概率($o$)、结节的3维空间位置(${\rm{d}}x$，${\rm{d}}y$，${\rm{d}}z$)、结节的直径(${\rm{d}}r$)，即为($o$，${\rm{d}}x$，${\rm{d}}y$，${\rm{d}}z$，${\rm{d}}r$)。

由于肺部CT图像肺结节周边的组织复杂，在检测时容易发生结节漏检并产生大量假阳性结节，因此，需较好地划分前背景信息以及增强近血管结节、磨玻璃结节的检测能力，故本文根据语义与空间特征补偿机制，设计基于通道—空间注意力机制的特征提取模块。

如图 1所示，注意力特征提取模块以2个具有24个通道的3×3×3卷积层开始，之后通道个数递增为32和64。24个通道的特征是低维度特征，包含更多结节的空间位置信息。随着不断地卷积和池化，64个通道的特征图包含图像更多的语义信息。低维特征在保留结节空间信息的情况下应激活更多的语义信息，高维特征在保留结节语义信息的情况下应激活更多的空间信息。如图 1所示，采用通道注意力机制对通道为24、特征图大小为96×96×96的低维特征信息自适应激活，即通过响应图像的语义信息，增强结节的显著性特征通道；对于通道为64、特征图大小为6×6×6的高维特征信息采用空间注意力自适应激活，获取结节的空间位置信息。通过如此特征补偿机制，来提高对亚实性结节、非实性结节(磨玻璃结节)、近血管结节以及近肺壁结节的检测准确率。

如图 2(a)所示，通道注意力(CA)采用自适应平均池化与自适应最大池化压缩特征图在空间维度(通道)上的数值信息，自适应平均池化对特征图上的每一个像素点都有反馈，而自适应最大池化在进行梯度反向传播计算时，只有特征图中响应最大的地方有梯度的反馈。两个连续的全连接层之后采用Sigmoid激活函数。表达为

$ {A_{{\rm{out }}}} = f{c_2}\left({\delta \left({f{c_1}({\mathop{ avgpool}\nolimits} (\mathit{\boldsymbol{F}}))} \right)} \right) $

(1)

$ {M_{{\rm{out }}}} = f{c_2}\left({\delta \left({f{c_1}({\mathop{ maxpool}\nolimits} (\mathit{\boldsymbol{F}}))} \right)} \right) $

(2)

$ CA = \sigma \left({{A_{{\rm{out }}}} + {M_{{\rm{out }}}}} \right) $

(3)

$ \begin{array}{l} CA = \sigma \left({f{c_2}\left({\delta \left({f{c_1}({\mathop{ avgpool}\nolimits} (\mathit{\boldsymbol{F}}))} \right)} \right) + } \right.\\ \left. {\;\;\;\;\;\;\;f{c_2}\left({\delta \left({f{c_1}({\mathop{ maxpool}\nolimits} (\mathit{\boldsymbol{F}}))} \right)} \right)} \right) \end{array} $

(4)

式中，$A_\text{out}$表示平均池化输出，$M_\text{out}$表示最大池化输出，$avgpool$()为平均池化操作，$maxpool$()为最大池化操作，$\sigma$表示Sigmoid激活函数，$fc$表示FC全连接层，$fc_{1}$和$fc_{2}$构成共享多层感知机，即一个encoder-decoder结构，$δ$表示ReLU函数，$\boldsymbol{F}$表示输入的特征图，最后用原特征图$\boldsymbol{F}$与$CA$(通道注意力)的输出相乘, $\boldsymbol{F}′$为输出特征图。

如图 2(b)所示，空间注意力(SA)首先将输入特征$\boldsymbol{F}$在空间维度上进行最大池化和平均池化，在通道维度上分别做mean和max操作，并将两种池化后的结果进行Cat连接；接着通过一个7×7×7的卷积核对拼接后的结果进行卷积，要保证最后得到的特征在空间维度上与输入的特征图一致；之后采用Sigmoid激活函数进行正规化处理。采用的空间注意力为

$ SA = \sigma (conv({\mathop{\rm mean}\nolimits} (\mathit{\boldsymbol{F}}) + \max (\mathit{\boldsymbol{F}}))) $

(5)

式中，$\sigma$表示Sigmoid激活函数，$\boldsymbol{F}$表示输入的特征图，最后用原特征图$\boldsymbol{F}$与$SA$的输出相乘。

网络顶层特征在不断卷积池化过程中容易忽略小物体的一些信息，若只采用顶层特征图进行预测，对于肺结节来说，尤其是3~10 mm的结节很容易漏检。因此本文通过构造特征金字塔结构来提高小结节的检测性能。特征金字塔通过不同层次的特征融合，使得小物体的信息也能够比较完整地反映出来。

在6×6×6、12×12×12和24×24×24的特征图上进行联结预测，并且预测是在每个融合后的特征图上单独进行的。如图 3所示，左边自顶向下的部分是卷积神经网络的前向过程，进行特征提取。但是随着特征维度的上升，可以看出高维度特征更多是一个语义信息，包含全局图像的内在含义。而在右边自底向上的数据流向中，高维特征信息将其通过上采样降低维度信息，语义信息减少，在此过程中采用跳层连接来引导自顶向下的数据流特征还原检测目标细节信息。将语义信息和位置信息在对应层的特征金字塔网络中进行融合后，语义信息和位置信息都得到了增强。

为了突出特征金字塔对3~10 mm小结节的检测性能的影响，本文对只采用特征金字塔进行多尺度预测的模块进行了实验，实验模型名称为U_FPN_ RPN，将在实验部分详细讨论实验结果。

网络的预测误差分为两部分，一部分为候选区域是否包含结节的分类误差；另一部分为候选区域中心点位置与结节位置偏移量的回归误差。分类误差的损失函数采用cross entropy，回归误差的损失函数使用smooth L1。

cross entropy计算为

$ {L_{{\rm{cls}}}} = {p_A}\log (p) + \left({1 - {p_A}} \right)\log (1 - p) $

(6)

$ p = \frac{1}{{1 + \exp (- o)}} $

(7)

式中，$L_{\rm{cls}}$表示分类损失，${p_{\rm{A}}} \in {\rm{ }}\left\{ {0, 1} \right\}$，为anchor box的标签，正样本为1，负样本为0，$p$为相同位置的预测概率$o$在经过Sigmoid函数之后的值。

回归损失smooth L1计算为

$ {L_{{\rm{reg}}}} = \sum\limits_{k \in \{ x, y, z, r\} } S \left({{d_k}, {{\hat d}_k}} \right) $

(8)

式中，$L_{\rm{reg}}$表示回归损失, $d_{k}$为球形候选区域在标签矩阵中的值，${\hat d}_{k}$为相同位置的网络预测值。$S$是平滑的一阶正则函数，表达式为

$ S\left({{d_k}, {{\hat d}_k}} \right) = \left\{ {\begin{array}{*{20}{l}} {\left| {{d_k} - {{\hat d}_k}} \right| - 0.5}&{\left| {{d_k} - {{\hat d}_k}} \right| > 1}\\ {0.5{{\left({{d_k} - {{\hat d}_k}} \right)}^2}}&{\rm{其他}} \end{array}} \right. $

(9)

总损失为分类损失和回归损失之和，表达式为

$ L = {L_{{\rm{cls}}}} + {L_{{\rm{reg}}}} $

(10)

本文实验使用公开数据集LUNA16，LUNA16数据集(Setio等，2017)是最大的公用肺结节数据集LIDC-IDRI的子集，包含888例低剂量胸部CT薄层平扫图像，结节的直径大小为3~30 mm，平均直径大小8.31 mm，分为10个子集，其中每套CT影像包含胸腔的多个轴向切片。

在888例CT影像中，共有36 378个结节被标出，由1、2、3或4位放射科医师标注的结节个数为2 290、1 602、1 186和777。LUNA16数据集选取至少由3位专家标注的1 186个结节作为最后要检测的区域，也就是做实验时下载的数据，其中直径在3~10 mm的结节有905个，10~20 mm结节有231个，大于20 mm结节有50个，3~10 mm结节占总结节数的76.3 %，因此对小结节的检测决定了模型的检测性能，结节直径分布直方图如图 4所示。

实验使用的操作系统为Ubuntu18.04系统，主频3 GB Hz的Intel(R) Xeon(R) Gold 6154 CPU，内存为256 GB，网络模型使用Python2.7搭建，通过Pytorch并行计算框架在显存为12 GB的NVIDIA TITAN V显卡上展开实验。网络训练均使用SGD(stochastic gradient descent)优化方法，初始学习率为0.01，权重衰减为1×10^-4，batchsize大小为8，模型迭代次数为120，训练一轮需要约700 s，训练一个模型需要约23 h，完成一个模型的十折交叉验证需要约一个月的时间。由于实验对显存的消耗很大，模型训练和测试需要花费很长时间，但是相比较两阶段的肺结节检测方法，一阶段的检测算法显著降低了模型复杂度和时间成本。

整个训练与测试采用十折交叉验证的方法。LUNA16数据集有10个子集，任意选择9组作为训练集，剩下的1组作为测试集。下一折验证的时候从上次的9组训练集里面选取1组用做测试集，剩下的9组用做训练集，依次迭代，直到所有的子集都做过测试，最终将所有测试集的结果汇总。针对数据不平衡问题，采用了数据增强和难例挖掘机制的方法对数据集进行了增强。

测试阶段，将肺部CT扫描裁剪为208×208×208的图像块，在裁剪的时候使分割块之间有32个像素的重叠，来消除卷积计算时的不期望的边界影响。然后对这些图像块分别继续预测，此步骤将输出目标结节的预测边界框{$x_{i}$，$y_{i}$，$z_{i}$，$r_{i}$，$p_{i}$}，其中$x_{i}$，$y_{i}$，$z_{i}$代表预测边界框的中心，$r_{i}$代表半径，$p_{i}$代表置信度。最后将得到的小图像块的概率图填充回CT图像空间，得到完整CT图像的概率图，其大小与输入的CT图像相同，概率图中每个体素的值代表该点是肺结节的概率。对于每例图像，将所有patch的预测结果合并，通过非极大值抑制方法将重叠度高的预测边界框移除，输出每个结节最优的预测边界框。

本文基准算法为3D faster R-CNN(Zhu等，2018a)，3D faster R-CNN为只采用ResNet网络、U-Net结构的结节检测网络；在此基础上进行了改进，初次改进为在3D faster R-CNN算法基础上设计了特征金字塔结构，联合不同尺度特征图做输出预测，记为U_FPN_RPN，其次在U_FPN_RPN基础上设计了通道—空间注意力机制，记为attention_FPN_RPN，也就是本文提出的融合注意力机制和特征金字塔的结节检测算法。

敏感度(sensitivity)是指预测正确的正样本数目与所有正样本数目的比值，在机器学习中常称为召回率(recall)，也称为检出率。敏感度指标计算为

$ {f_{{\rm{sen}}}} = \frac{{TP}}{{TP + FN}} $

(11)

式中，$TP$表示预测正确的正样本的数目(真阳性)，$FN$表示预测错误的正样本的数目(假阴性)。敏感度取值范围为[0，1]，值越大，表示检测出的结节个数越多，检测结果越好。

采用无限制受试者操作特征(free-response receiver operating characteristic，FROC)曲线验证检测模型的性能，并在图 5(d)中加以总结，其中横坐标是每幅CT切片中假阳率点(false positives per scan)，记为FPs/scan，FPs/scan ∈ {0.125，0.25，0.5，1，2，4，8}。

竞争性能指标(challenge performance metric, CPM)是指FROC曲线中7个假阳率点(FPs/scan)(0.125，0.25，0.5，1，2，4，8)敏感度值的平均值，也就是平均假阳性个数下的平均敏感度，如将在平均每个CT扫描含有0.125个假阳性的敏感度记为$Sen$(0.125)，竞争性能指标计算为

$ \begin{array}{*{20}{r}} {{f_{{\rm{CPM }}}} = (Sen(0.125) + Sen(0.25) + Sen(0.5) + }\\ {Sen(1) + Sen(2) + Sen(4) + Sen(8))/7} \end{array} $

(12)

表 1给出了在特征提取网络的不同层设计注意力机制的实验效果，验证了本文提出的基于通道—空间注意力机制方法实验效果最好。表 1中结果分别为CPM值和敏感度值。

在数据集的Fold0和Fold1上将不同设计方法进行了实验验证，例如(6×6×6，64)CA表示在大小为6×6×6、维度为64的特征图后添加通道注意力机制，可以看到，在大小为96×96×96、维度为64的特征图后添加通道注意力，在大小为6×6×6、维度为24的特征图后添加空间注意力的实验效果最好。这样低维特征在保留自身空间信息的情况下应激活更多的语义信息，高维特征在保留自身语义信息的情况下应激活更多的空间信息。

图 5将本文提出的结节检测算法与基准算法进行了性能比较。

图 5(a)为在十折交叉验证下，10个Fold的敏感度指标的比较。U_FPN_RPN算法和attention_FPN_RPN算法的每折数据相比较基准实验3D fas-ter R-CNN算法提高了敏感度得分，且在4个Fold上敏感度达到了100 %，3D faster R-CNN算法的敏感度平均值为95.54 %，U_FPN_RPN算法的敏感度平均值为96.89 %，相比较3D faster R-CNN提高了1.35 %；attention_FPN_RPN算法的敏感度平均值为97.18 %，提高了0.29 %。

图 5(b)为U_FPN_RPN、attention_FPN_RPN与基线算法3D faster R-CNN在竞争性能指标(CPM)上的十折数据比较。可以看出本文算法U_FPN_RPN的每折数据都提高了竞争性能指标CPM得分，attention_FPN_RPN算法明显提高了Fold0、Fold1、Fold3、Fold7和Fold8的CPM得分，3D faster R-CNN算法的CPM平均值为0.833，U_FPN_RPN算法的CPM平均值为0.853，attention_FPN_RPN算法的CPM平均值为0.857，相比较3D faster R-CNN提高了0.040。说明特征金字塔结构比注意力机制更能提升结节检测性能。

图 5(c)为各个算法在平均假阳性个数上的数据对比，1—7折数据中有89个病人，所以平均假阳性的值为每折数据中的假阳性总数/89，8—9折数据中有88个病人。数据显示，本文算法attention_FPN_RPN在提高了检出率的同时，降低了假阳性率，性能最优。

图 5(d)以attention_FPN_RPN算法为例给出每一个Fold在7个假阳率点的敏感度的分布，除了Fold2和Fold3在0.125、0.25假阳率点具有低的敏感度之外，其他Fold均获得了不错的敏感度。

整体分析得出，采用注意力特征金字塔的算法attention_FPN_RPN明显提高了结节检测的准确率，有效解决了结节检测问题中低敏感度高假阳性的问题。

本文算法主要是为了提高小结节(3~10 mm)的检测效果，表 2比较了肺结节检测系统对不同大小结节的检测效果。在LUNA16数据集中，总共有1 186个结节，其中3~10 mm结节有905个，3D faster R-CNN方法检测到了855个，U_FPN_RPN算法检测到了876个，attention_FPN_RPN方法检测到了882个，相比较3D faster R-CNN增加了27个结节。表明该算法可以提高小结节的检测性能。

表 2中的敏感度为该肺结节检测算法在进行十折交叉验证后得到的最高敏感度值，假阳性个数为获得此最高敏感度时的假阳性结节个数。平均假阳性是假阳性结节总数(FPs)/CT总数(888)，可以看出，在使用了特征金字塔结构和注意力机制后，敏感度提高了2.5 %，平均每例CT中假阳性个数减少了28.54个，这得益于FPN结构中上采样结构以及通道—空间注意力机制的加入，使得网络能充分利用不同尺度的结节特征并且增强对于非显著性目标区域的分类，提高了对不同大小结节的检测率，同时降低了假阳性。

表 3将基于机器学习方法和基于深度学习方法的肺结节检测算法性能进行了比较。主要选取敏感度、平均假阳性、候选结节总数以及平均候选结节数指标。候选结节总数指的是网络预测出来的所有结果，其中包括结节和非结节；平均候选结节数是候选结节总数/CT总数。Murphy等人(2009)、Jacobs等人(2014)、Torres等人(2015)以及Tan等人(2011)采用了经典的机器学习方法，Zhang等人(2018)、Setio等人(2017)、Zhu等人(2018a)、Zheng等人(2020)等以及本文算法均采用了深度学习方法。可以看出，深度学习方法的结节检测敏感度表现更优。Zhang等人(2018)和Setio等人(2017)提出方法获得了高检测率，但是产生了大量假阳性。本文方法在每次扫描的候选结节数目较少的情况下获得了较优的敏感度。

为了进一步验证所提模型的有效性以及综合搜索能力，将本文算法与其他方法在CPM指标上进行了比较。表 4比较了不同检测模型在平均假阳性分别为0.125，0.25，0.5，1，2，4，8时的检测敏感度以及在这7个点的敏感度平均值(CPM)，其中，本文检测模型显著提高了平均假阳性为1、2、4、8这几个点的敏感度，分别达到了0.918、0.940和0.951的高检测敏感度，且最终CPM为0.854，比参与对比的方法获得了更好的性能，表明模型在低假阳性的情况下实现了高敏感度，提高了结节的检测性能。而在0.125，0.25，0.5这3个点，虽然实验结果比基准实验Deep 3D Res18(Zhu等，2018a)的敏感度高，但是低于戚永军等人(2020)的结果，戚永军等人(2020)采用2维与3维相结合的深度混合卷积的检测模型，可以在假阳率非常低的情况下有较好的敏感度。本文采用的是一阶段结节检测方法，并没有专门去假阳，因此在0.125，0.25，0.5这几个点的敏感度偏低，表明算法在降假阳方面仍有欠缺，需进一步提高。

图 6使用FROC曲线对本文提出的肺结节检测方法attention_FPN_RPN和基准算法3D faster R-CNN在LUNA16数据集上的结节检测性能进行了比较。可以看到，本文算法结节检测性能更优。

不同类型肺结节的检测结果如图 7所示，从LUNA16数据集中随机选取了实性结节、亚实性结节、纯磨玻璃结节(非实性结节)、近血管结节以及近肺壁结节，并以这些结节为例给出不同算法的检测结果。

第1行为肺结节位置金标准图，接下来分别为3D faster R-CNN、U_FPN_RPN以及attention_FPN_RPN算法的检测结果，包括预测边界框(框的中心位置即为结节的位置)和预测为结节的置信度。对于图 7(a)实性结节，3D faster R-CNN算法的预测边界框偏右，不如本文算法的检测结果；图 7(b)亚实性结节，attention_FPN_RPN算法检测结果最好；图 7(c)纯磨玻璃结节，检测这个类型的结节是有难度的，3D faster R-CNN算法的检测精度为0.995，相比本文算法检测结果略差；图 7(d)近血管结节，检测这个类型的结节是有很大难度的，可以看到，3D faster R-CNN算法的结节检测精度只有0.864，本文算法U_FPN_RPN检测结果最好；对于图 7(e)近肺壁结节，几种算法都很好地检出了结节。

综合比较，可以看出本文算法对不同类型结节均具有较好的检测结果，且具有较高的置信度。虽然有效提升了小结节的检测性能，但依然存在结节漏检情况(检测失败图像)。通过分析，漏检的结节主要集中在结节直径大小在3 ~10 mm范围内，且空间位置不明显，多是近肺壁结节、近血管结节、磨玻璃结节等，这类结节属于高难度检测结节，检测模型需要在这一方面再次进行突破。

根据肺结节的特点以及结节检测存在的问题，提出了一种基于通道—空间注意力机制和特征金字塔结构的肺结节检测方法。首先在基准算法上构造特征金字塔网络，采用自顶向下(top-down)结构以及横向连接，将分辨率低但具有丰富语义信息的较深的网络层产生的特征图与高分辨率但是语义信息不丰富的网络层产生的特征图融合，避免了只采用顶层特征做预测而忽略小物体信息的问题，以此来提高对3~10 mm小结节的检测性能。然后通过理论研究与实验验证，在特征提取网络的不同层上设计合理的通道注意力与空间注意力，形成空间信息与语义信息的信息补偿，以解决由于多次下采样操作带来的分辨率降低导致检测结果差的问题，提高对磨玻璃结节、近血管结节和近肺壁结节等非显著性目标的检测性能。在LUNA16数据集888个病人上进行了十折交叉验证，结果表明，本文方法的敏感度、CPM、平均假阳性等多项评价指标结果均优于对比的结节检测算法及主流检测框架，可以有效提高小结节的检测性能，对微小肺结节自动筛查系统和临床肺结节辅助诊断系统建立具有十分重要的作用。

考虑到实际临床需求，后续工作会将深度学习方法与电子病历(electronic medical record，EMR)以及影像归档等医学材料相结合进行半监督学习，例如DeepEM(Zhu等，2018b)结节检测算法挖掘电子病历中的弱监督信息实现肺结节的检测以及FocalMix(Wang等，2020)算法采用半监督学习(semi-supervised learning, SSL)实现3D医学图像检测的方法都表现出了巨大的潜力，降低对金标准数据的依赖，进一步改善了肺结节计算机辅助诊断系统并发展其对肺癌治疗的作用。