Curriculum Learning with Synthetic Data for Enhanced Pulmonary Nodule Detection in Chest Radiographs

📄 arXiv: 2510.07681v2 📥 PDF

作者: Pranav Sambhu, Om Guin, Madhav Sambhu, Jinho Cha

分类: eess.IV, cs.AI, cs.CV

发布日期: 2025-10-09 (更新: 2025-10-20)

备注: This version has been withdrawn due to authorship changes and a decision to substantially revise the manuscript with new methodology. A future version may be submitted separately

💡 一句话要点

结合课程学习与合成数据增强，提升胸部X光片肺结节检测性能

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 肺结节检测 课程学习 合成数据增强 扩散模型 胸部X光片

📋 核心要点

  1. 传统AI模型在检测小尺寸、低亮度、低对比度的肺结节时面临数据不平衡和标注不足的挑战。
  2. 论文提出结合课程学习和扩散模型生成合成数据，逐步提升模型对难例肺结节的检测能力。
  3. 实验结果表明，该方法显著提升了肺结节检测的AUC、灵敏度和准确率，尤其是在困难样本上。

📝 摘要（中文）

本研究评估了将课程学习与基于扩散模型的合成数据增强相结合，是否能够提高胸部X光片中难以检测的肺结节的检测性能，特别是那些尺寸小、亮度低和对比度低的结节。由于数据不平衡和有限的标注，这些结节通常对传统AI模型构成挑战。研究使用Faster R-CNN与特征金字塔网络（FPN）作为骨干网络，在一个混合数据集上进行训练，该数据集包含专家标注的NODE21、VinDr-CXR、CheXpert以及11206张DDPM生成的合成图像。基于尺寸、亮度和对比度的难度评分指导课程学习。通过平均精度均值（mAP）、Dice系数和曲线下面积（AUC）将性能与非课程学习基线进行比较。统计检验包括自举置信区间、DeLong检验和配对t检验。课程学习模型实现了0.95的平均AUC，而基线为0.89（p < 0.001），灵敏度（70% vs. 48%）和准确率（82% vs. 70%）均有所提高。分层分析表明，在所有难度等级（从易到非常难）上都获得了持续的提升。Grad-CAM可视化证实，在课程学习下，模型能够更专注于解剖学相关的区域。这些结果表明，课程引导的合成数据增强提高了肺结节检测的模型鲁棒性和泛化能力。

🔬 方法详解

问题定义：论文旨在解决胸部X光片中肺结节检测，特别是小尺寸、低亮度、低对比度等难以检测的结节的问题。现有方法由于数据集中此类难例样本数量不足，以及标注信息的限制，导致模型在这些难例上的检测性能较差。

核心思路：论文的核心思路是利用课程学习的思想，结合扩散模型生成的合成数据，让模型从易到难逐步学习。通过合成更多难例样本，并按照难度排序进行训练，引导模型更好地学习到难例的特征，从而提升整体的检测性能。

技术框架：整体框架包括以下几个主要步骤：1) 使用扩散模型（DDPM）生成大量的合成胸部X光片图像，其中包含不同大小、亮度和对比度的肺结节。2) 基于结节的尺寸、亮度和对比度计算难度评分。3) 使用Faster R-CNN与FPN作为检测模型，并在混合数据集（真实数据+合成数据）上进行训练。4) 训练过程中，根据难度评分，逐步引入更难的样本进行训练，实现课程学习。

关键创新：论文的关键创新在于将课程学习与合成数据增强相结合，用于解决肺结节检测中的难例问题。与传统的仅使用真实数据或简单数据增强的方法相比，该方法能够更有效地提升模型对难例的检测能力。此外，使用扩散模型生成高质量的合成数据也是一个重要的创新点。

关键设计：论文的关键设计包括：1) 使用DDPM生成合成数据，保证合成数据的真实性和多样性。2) 基于尺寸、亮度和对比度设计难度评分，用于指导课程学习的顺序。3) 使用Faster R-CNN与FPN作为检测模型，以保证检测的准确性和效率。4) 实验中，NODE21、VinDr-CXR、CheXpert数据集被混合使用，并与合成数据结合，以增加数据的多样性。

📊 实验亮点

实验结果表明，课程学习模型在肺结节检测任务中取得了显著的性能提升。具体来说，课程学习模型的平均AUC达到了0.95，而基线模型仅为0.89（p < 0.001）。此外，课程学习模型在灵敏度（70% vs. 48%）和准确率（82% vs. 70%）方面也优于基线模型。分层分析表明，在所有难度等级的样本上，课程学习模型均优于基线模型。

🎯 应用场景

该研究成果可应用于计算机辅助诊断系统，辅助医生进行肺结节的早期检测，提高诊断效率和准确性。通过提升对小尺寸、低对比度结节的检测能力，有助于更早地发现潜在的肺癌病例，从而改善患者的预后。该方法也可推广到其他医学图像分析任务中，例如其他类型病灶的检测。

📄 摘要（原文）

This study evaluates whether integrating curriculum learning with diffusion-based synthetic augmentation can enhance the detection of difficult pulmonary nodules in chest radiographs, particularly those with low size, brightness, and contrast, which often challenge conventional AI models due to data imbalance and limited annotation. A Faster R-CNN with a Feature Pyramid Network (FPN) backbone was trained on a hybrid dataset comprising expert-labeled NODE21 (1,213 patients; 52.4 percent male; mean age 63.2 +/- 11.5 years), VinDr-CXR, CheXpert, and 11,206 DDPM-generated synthetic images. Difficulty scores based on size, brightness, and contrast guided curriculum learning. Performance was compared to a non-curriculum baseline using mean average precision (mAP), Dice score, and area under the curve (AUC). Statistical tests included bootstrapped confidence intervals, DeLong tests, and paired t-tests. The curriculum model achieved a mean AUC of 0.95 versus 0.89 for the baseline (p < 0.001), with improvements in sensitivity (70 percent vs. 48 percent) and accuracy (82 percent vs. 70 percent). Stratified analysis demonstrated consistent gains across all difficulty bins (Easy to Very Hard). Grad-CAM visualizations confirmed more anatomically focused attention under curriculum learning. These results suggest that curriculum-guided synthetic augmentation enhances model robustness and generalization for pulmonary nodule detection.