We present a 3D deep neural network known as URDNet for detecting ground-glass opacity (GGO) nodules in 3D CT images. Prior work on GGO detection repurposes classifiers on a large number of windows to perform detection or fine-tuning by box regression based on a previous window classification step. Instead, we consider GGO detection as a multitarget regression problem to focus on the location of GGO. Furthermore, to capture multiscale information, we introduce a backbone network which is a contracting-expanding structure similar to 2D U-net, but we inject the source CT inputs into each layer in the contracting pathway to prevent source information loss at different scales. At last, we propose a two-stage training method for URDNet. In the first stage, the backbone of the network for feature extraction is trained, and in the second, the overall URDNet is fine-tuned based on the previous pretrained weights. By using this training method in conjunction with data augmentation and hard negative mining techniques, our URDNet can be effectively trained even on a small amount of annotated CT images. We evaluate the proposed method on the LIDC-IDRI dataset. It achieves the sensitivity of 90.8% with only 1 false positive per scan. Experimental results show that our detection method achieves the superior detection performance over the state-of-the-art methods. Due to its simplicity and effective, URDNet can be easier to apply to medical IoT systems for improving the efficiency of overall health systems.

中文翻译：

---

URDNet：用于肺部CT图像中GGO检测的统一回归网络

我们提出了一种称为URDNet的3D深层神经网络，用于检测3D CT图像中的玻璃乳浊度（GGO）结节。先前有关GGO检测的工作将大量窗口上的分类器重新用作目标，以基于先前的窗口分类步骤通过框回归进行检测或微调。相反，我们将GGO检测视为多目标回归问题，重点关注GGO的位置。此外，为了捕获多尺度信息，我们引入了骨干网，该网络是类似于2D U-net的收缩扩展结构，但是我们将源CT输入注入到收缩路径的每一层中，以防止源信息在不同规模上丢失。最后，我们提出了URDNet的两阶段训练方法。在第一阶段中，对用于特征提取的网络骨干进行了培训，在第二阶段中，根据先前的预训练权重，可以对整个URDNet进行微调。通过将这种训练方法与数据增强和硬负挖掘技术结合使用，即使在少量带注释的CT图像上，我们的URDNet也可以得到有效训练。我们在LIDC-IDRI数据集上评估提出的方法。每次扫描仅1次假阳性，可达到90.8％的灵敏度。实验结果表明，我们的检测方法比最先进的方法具有更高的检测性能。由于其简单有效，URDNet可以更轻松地应用于医疗物联网系统，以提高整体卫生系统的效率。即使在少量带注释的CT图像上，我们的URDNet也可以得到有效的训练。我们在LIDC-IDRI数据集上评估提出的方法。每次扫描仅1次假阳性，可达到90.8％的灵敏度。实验结果表明，我们的检测方法比最先进的方法具有更高的检测性能。由于其简单有效，URDNet可以更轻松地应用于医疗物联网系统，以提高整体卫生系统的效率。即使在少量带注释的CT图像上，我们的URDNet也可以得到有效的训练。我们在LIDC-IDRI数据集上评估提出的方法。每次扫描仅1次假阳性，可达到90.8％的灵敏度。实验结果表明，我们的检测方法比最先进的方法具有更高的检测性能。由于其简单有效，URDNet可以更轻松地应用于医疗物联网系统，以提高整体卫生系统的效率。