Kaggle上2017年肺結節檢測比賽第一名的算法，其代碼的github通道。

論文：https://arxiv.org/abs/1711.08324?

我也是沒辦法，代碼又跑不起來，里面還有很多細節參數不理解（之前已經看了deeplung的論文代碼，結合這個模型的整體理解已經比較清晰了，但細節還是理解不了，來看原文了）。下面翻譯理解下我困惑的部分，當然也會加入自己的理解自己發揮下的。

二.RELATED WORKS

A.常規的目標檢測

目前已經提出了很多目標檢測的算法，現在先來回顧一下這些算法。絕大多數算法是用來檢測2d目標檢測來設計的。目前最好用精確的算法是兩步走算法（例如faster-RCNN）。它們在第一步算法中提出許多邊界框（叫候選框（proposals））這些候選框有包含目標的（正例），也有不包含目標的（反例），都是算法從所有可能的邊界框中挑選出來同時還有初步細微修正過的。第二步中完成細分類（幾類不同的目標+背景），以及框的再次修正。更多近期的方法只要一步，例如yolo邊界框和類別可能性同時預測，例如SSD預測某一具體框的類別可能性，而不提供候選框。通常一步法速度有優勢，二步法精度有優勢。不過在單類別目標檢測算法，兩步算法中的第二步已經不在需要，那么算法統一退化成一步算法。

另外將前沿的2d目標檢測算法升級為3d目標檢測任務（視屏的動態目標檢測與立體目標檢測（現實空間一個區域均勻割成一些大小相同的立方塊，檢測哪些塊中含有目標））是有限制的。由于主流GPUs的顯存限制，一些學者先在二維上產生候選框，然后利用一些模塊產生三維候選框。相似的策略已經用到了3D圖像分割當中了。據我們目前所知3D的RPN還沒有用到處理視屏和體數據中。

B.結節檢測

3d2017全年開獎號？結節檢測是一個典型的立體數據檢測任務。由于它在臨床診斷中的重要性，這些年來引起了越來越多的關注。這個任務通常可以劃分為兩個子任務：提出候選框和減少假陽性。每個子任務都有很多中方法。第一個子任務通常是先用一個3d描述模塊得到特征，再用分類器選出許多候選框。第二個子任務是用復雜的分類器去區分真假結節。下面是介紹結節檢測的發展中的一些重要的事情和論文。我這里就翻譯了，有興趣的小伙伴可以自己去看看。

C.Multiple instance learning(多樣實例學習？)

前面兩段我也不是特別懂就是介紹沒用深度學習前用的MIL（medical image analysis）任務。我就不翻譯了下面是第三段。

為了整合MIL到深度學習框架中，一個關鍵組成是用一個網絡層將不同實例的信息結合在一起，這個網絡層叫做MIL池化層MIL （Pooling Layer (MPL)。具體例子：max-pooling layer [27], mean pooling layer [26], log-sum-exp pooling layer [28], generalized-mean layer [25] and noisy-or layer [29].如果這些數目的實例是從每個例子中修正過來的，它也可以用一個MPL來實現特征串聯。這個MPL可以用來結合不同實例在中間的特征層以及輸出層（網絡）。

D.Noisy-or model

(找了很久就找到https://blog.csdn.net/yangliuy/article/details/8091630里第四點有關于Noisy OR CPD的理解希望對你有幫助.)

The noisy-or Bayesian model(噪聲或貝葉斯模型？？)被廣泛的用來推測推斷疾病的概率例如肝臟受損相關的以及支氣管相關的疾病案例。Heckerman在noisy-or gate上建立了多特征多疾病診斷系統。Halpern and Sontag 提出了無監督學習的方法在 noisy-or model上 ，同時驗證它在Quick Medical Reference model上。

所有上述提到的方法都是包含the noisy-or model into the Bayesian models.當然結合noisy-or model和神經網絡后效果是杰出的。sun等人已經將它運用到了深度神經網絡框架中作為一個MPL來改進圖像分類的精度。Zhang等人把它作為提升方法來改進目標檢測的精度。