Accurate segmentation and classification of pulmonary nodules are of great significance to early detection and diagnosis of lung diseases, which can reduce the risk of developing lung cancer and improve patient survival rate. In this paper, we propose an effective network for pulmonary nodule segmentation and classification at one time based on adversarial training scheme. The segmentation network consists of a High-Resolution network with Multi-scale Progressive Fusion (HR-MPF) and a proposed Progressive Decoding Module (PDM) recovering final pixel-wise prediction results. Specifically, the proposed HR-MPF firstly incorporates boosted module to High-Resolution Network (HRNet) in a progressive feature fusion manner. In this case, feature communication is augmented among all levels in this high-resolution network. Then, downstream classification module would identify benign and malignant pulmonary nodules based on feature map from PDM. In the adversarial training scheme, a discriminator is set to optimize HR-MPF and PDM through back propagation. Meanwhile, a reasonably designed multi-task loss function optimizes performance of segmentation and classification overall. To improve the accuracy of boundary prediction crucial to nodule segmentation, a boundary consistency constraint is designed and incorporated in the segmentation loss function. Experiments on publicly available LUNA16 dataset show that the framework outperforms relevant advanced methods in quantitative evaluation and visual perception.

肺结节的准确分割和分类对于肺部疾病的早期发现和诊断具有重要意义，可以降低患肺癌的风险，提高患者的生存率。在本文中，我们提出了一种基于对抗训练方案的有效的肺结节分割和分类网络。分割网络由具有多尺度渐进融合 (HR-MPF) 的高分辨率网络和建议的渐进解码模块 (PDM) 组成，用于恢复最终的逐像素预测结果。具体来说，所提出的 HR-MPF 首先以渐进式特征融合方式将增强模块合并到高分辨率网络 (HRNet) 中。在这种情况下，在这个高分辨率网络的所有级别之间增强了特征通信。然后，下游分类模块将根据 PDM 的特征图识别良恶性肺结节。在对抗训练方案中，设置了一个鉴别器，通过反向传播优化 HR-MPF 和 PDM。同时，合理设计的多任务损失函数从整体上优化了分割和分类的性能。为了提高对结节分割至关重要的边界预测的准确性，设计了边界一致性约束并将其合并到分割损失函数中。在公开可用的 LUNA16 数据集上的实验表明，该框架在定量评估和视觉感知方面优于相关的先进方法。一个鉴别器被设置为通过反向传播优化 HR-MPF 和 PDM。同时，合理设计的多任务损失函数从整体上优化了分割和分类的性能。为了提高对结节分割至关重要的边界预测的准确性，设计了边界一致性约束并将其合并到分割损失函数中。在公开可用的 LUNA16 数据集上的实验表明，该框架在定量评估和视觉感知方面优于相关的先进方法。一个鉴别器被设置为通过反向传播优化 HR-MPF 和 PDM。同时，合理设计的多任务损失函数从整体上优化了分割和分类的性能。为了提高对结节分割至关重要的边界预测的准确性，设计了边界一致性约束并将其合并到分割损失函数中。在公开可用的 LUNA16 数据集上的实验表明，该框架在定量评估和视觉感知方面优于相关的先进方法。边界一致性约束被设计并包含在分割损失函数中。在公开可用的 LUNA16 数据集上的实验表明，该框架在定量评估和视觉感知方面优于相关的先进方法。边界一致性约束被设计并包含在分割损失函数中。在公开可用的 LUNA16 数据集上的实验表明，该框架在定量评估和视觉感知方面优于相关的先进方法。