Computed tomography (CT) is widely used to locate pulmonary nodules for preliminary diagnosis of the lung cancer. However, due to high visual similarities between malignant (cancer) and benign (non-cancer) nodules, distinguishing malignant from malign nodules is not an easy task for a thoracic radiologist. In this paper, a novel convolutional neural network (ConvNet) architecture is proposed to classify the pulmonary nodules as either benign or malignant. Due to the high variance of nodule characteristics in CT scans, such as size and shape, a multi-path, multi-scale architecture is proposed and applied in the proposed ConvNet to improve the classification performance. The multi-scale method utilizes filters with different sizes to more effectively extracted nodule features from local regions, and the multi-path architecture combines features extracted from different ConvNet layers thereby enhancing the nodule features with respect to global regions. The proposed ConvNet is trained and evaluated on the LUNGx Challenge database, and achieves a sensitivity of 0.887 and a specificity of 0.924 with an area under the curve (AUC) of 0.948. The proposed ConvNet achieves a 14% AUC improvement compared to the state-of-the-art unsupervised learning approach. The proposed ConvNet also outperforms the other state-of-the-art ConvNets explicitly designed for pulmonary nodule classification. For clinical usage, the proposed ConvNet could potentially assist the radiologists to make diagnostic decisions in CT screening.

中文翻译：

---

用于改进计算机断层扫描肺结节分类的新型卷积神经网络架构

计算机断层扫描 (CT) 被广泛用于定位肺结节以初步诊断肺癌。然而，由于恶性（癌症）和良性（非癌症）结节之间的高度视觉相似性，区分恶性结节和恶性结节对于胸部放射科医师来说并非易事。在本文中，提出了一种新颖的卷积神经网络 (ConvNet) 架构来将肺结节分类为良性或恶性。由于 CT 扫描中结节特征的高方差，例如大小和形状，提出了一种多路径、多尺度架构，并将其应用于所提出的 ConvNet 以提高分类性能。多尺度方法利用不同尺寸的滤波器更有效地从局部区域提取结节特征，多路径架构结合了从不同 ConvNet 层提取的特征，从而增强了关于全局区域的结节特征。提出的 ConvNet 在 LUNGx Challenge 数据库上进行训练和评估，灵敏度为 0.887，特异性为 0.924，曲线下面积 (AUC) 为 0.948。与最先进的无监督学习方法相比，提议的 ConvNet 实现了 14% 的 AUC 改进。提出的 ConvNet 也优于其他为肺结节分类明确设计的最先进的 ConvNet。对于临床使用，提议的 ConvNet 可能会帮助放射科医生在 CT 筛查中做出诊断决定。提出的 ConvNet 在 LUNGx Challenge 数据库上进行训练和评估，灵敏度为 0.887，特异性为 0.924，曲线下面积 (AUC) 为 0.948。与最先进的无监督学习方法相比，提议的 ConvNet 实现了 14% 的 AUC 改进。提出的 ConvNet 也优于其他为肺结节分类明确设计的最先进的 ConvNet。对于临床使用，提议的 ConvNet 可能会帮助放射科医生在 CT 筛查中做出诊断决定。提出的 ConvNet 在 LUNGx Challenge 数据库上进行训练和评估，灵敏度为 0.887，特异性为 0.924，曲线下面积 (AUC) 为 0.948。与最先进的无监督学习方法相比，提议的 ConvNet 实现了 14% 的 AUC 改进。提出的 ConvNet 也优于其他为肺结节分类明确设计的最先进的 ConvNet。对于临床使用，提议的 ConvNet 可能会帮助放射科医生在 CT 筛查中做出诊断决定。提出的 ConvNet 也优于其他为肺结节分类明确设计的最先进的 ConvNet。对于临床使用，提议的 ConvNet 可能会帮助放射科医生在 CT 筛查中做出诊断决定。提出的 ConvNet 也优于其他为肺结节分类明确设计的最先进的 ConvNet。对于临床使用，提议的 ConvNet 可能会帮助放射科医生在 CT 筛查中做出诊断决定。