【论文阅读笔记】RADnet: Radiologist level accuracy using deep learning for hemorrhage detection in CT scans

      本文发布在IEEE Symposium on Biomedical Imaging (ISBI) 2018，通过深度学习检测CT中的脑出血。根据作者描述，本文旨在模拟医生检测三维CT的方式构建网络结构，即：在遍历二维切片的同时重点关注潜在的出血区域。本文的网络结构如图：

文章亮点如下：

1.基础网络结构是DenseNet，三个分叉的辅助出血区域分类任务使模型学会关注出血区域，分类区域引入的了专家鉴定的区域，实现所谓的attention，同时提升模型的整体性能，总的损失由总的分类任务及三个辅助分类任务交叉熵的加权和。文中命名这种引入attention的DenseNet叫DenseNet-A。

2.将双向LSTM层合并到DenseNet-A来模拟2D切片CT扫描之间的片间依赖性。原始架构中的全局池层的输出连接单个双向LSTM层传输，然后连接到到全连接层进行最终预测。使用多个2D切片的序列训练RADnet，而不是独立的2D切片。通过这种方式，网络在小邻域中模拟CT扫描的3D上下文，同时预测单个切片。3D邻域的范围基于GPU内存约束来确定并且最大化验证集的性能。这种方式有点类似于视频标注。