数据预处理。作者对肺区进行预处理得到128*128*128的立方体，然后使用多尺度策略，生成两个尺寸的小立方体：36 * 48 * 48和20 * 36 * 36。从整个肺部区域收集小立方体，进入两个分类网络，获得不同的结节视野大小来预测整体结果。
针对正负样本不平衡的问题，将正样本进行数据增强，从三个维度进行90度、180度、270度的翻转。
网络。作者采用了三维的FPN（特征金字塔网络），FPN是何凯明团队17年新提出的在Faster RCNN上改进的网络，主要将FCN融入到Faster RCNN。网络具体结构如下图所示，输入一个128的立方体到FPN网络，针对正负样本不平衡的问题，作者尝试了两种策略，一种是焦点损失（焦点损失。这个损失函数是基于标准的交叉熵损失修改的。这个功能可以使模型在训练过程中更加关注难于分类的样本，同时减少易于分类的样本的权重）；一种是逐渐增加负面样本的权重，文章采取的是第二种方法，首先，随机选取N个负样本作为候选池。然后，根据其分类置信度得分将该池中的负样品按降序排序，并将前n个样品选为hard 负样本，训练期间逐渐增加N。
假阳性减少。针对这个任务，作者采取了两种网络，一个是3D DCNN，结构如下图所示。四个阶段组成，前三个阶段是三维的卷积层，包括最大池、正则和dropout，第四个阶段是全连接层输出分类结果。
另外作者还采用了U-Net网络，微调检测网络的结构，如下图。两种方法都采用焦点损失解决样本不平衡的问题，最终融合两种网络完成假阳性减少的任务。
对于3D CNN网络：作者在多尺度策略上做了很多尝试，包括概率加权和微调。通过实验，作者发现使用36 * 48 * 48数据训练网络得到源网络，然后使用源网络上的20 * 36 * 36数据进行微调，会有更好的结果。当然整个结构使得平安科技拿到了luna 16双任务的第一名，目前仍旧排名第一。
