一. Automated Pulmonary Nodule Detection via 3D ConvNets with Online Sample Filtering and Hybrid-Loss Residual Learning（2017）
摘要：
本文提出了一种在CT上检测肺结节的卷积神经网络，解决了正负样本严重不平衡的问题，框架包括两个过程：目标建议和假阳性减少。
方法：
步骤：
stage1 : 3D FCN在线过滤样本，快速筛选出候选对象
stage2 : 3D残差网络，区分候选对象是否是真正的结节
stage1 : 利用3D FCN可以充分利用空间信息来进行高级特征的提取以进行候选结节的有效检索，而且可以以体积-体积的方式快速生成概率预测。
stage2 : 两条路径，一条路径用于判断结节或非结节，另一条路径获得判断了是结节之后的具体位置。
结果：
二. An end-to-end Framework for Integrated Pulmonary Noudle Detection and False Positive Reduction（2019）
摘要：
在本文中提出了一种端到端的结节检测框架，将目标提议和假阳性减少整合到一个网络同时进行，实验结果证明一步完成的训练性能优于两步完成的训练。
方法：
two stages: 目标提议和假阳性减少
stage1 : 用改进的faster rcnn 中的rpn部分进行目标提议
stage2 : 将目标提议送入roi进行裁剪，送入假阳性降低分支进行降低假阳性
结果：
**总结：**今天的两篇文章均是只检测肺结节而没有肺结节分类的，其中主要的步骤都是目标提议和假阳性减少，所以给我的启示是在肺结节的分类和预测的研究方向还有很大的空间，尤其是对于结节恶化为肿瘤的预测估算，坚持每天读两篇有关肺结节有关的文章，加油！