The FLARE challenge中的DG Tricks

 

        在数据预处理过程中，大多数顶级团队将强度值裁剪到特定范围内，然后以单位标准差(表6预处理CI & N)将其归一化为[ 0 , 1]或零均值，从而减小了不同个例和中心之间的强度方差。重采样被顶级球队广泛使用，但采样策略各不相同。一些团队将CT重采样到相同的间距，而另一些团队将CT重采样到固定大小的(表6预处理- RS)。特别地，前者可以保持真实的物理分辨率，而后者产生相同大小的输入可以直接发送到网络。在精度方面，两种重采样策略都有达到表4中SOTA性能(例如, T1 (重采样到固定大小))和T9 (重采样到相同的间距)的潜力)。

        大多数顶级团队(表6数据增强)也使用了大量的数据增强，这些都是提高新医疗中心测试用例分割精度的有效方法。没有广泛使用数据增广的团队可能对这些测试案例并不稳健。例如，Center 2中的病例由于来自动脉晚期而不是门静脉期，对脾脏有明显的不均匀强化。如图3 (中心2 )所示，T1在没有大量数据扩充的情况下，即使脾脏有非常清晰的边界，也漏掉了这个脾脏。通过比较，T3和T9，使用广泛的数据增强，可以成功地分割这个脾脏。

        由粗到精的(两级或级联)框架，包括粗定位模型和细分割模型，在顶级球队(表6网络设计- C2F)中是流行的选择。粗模型通常使用参数较少的香草网络(例如, U-Net)，而精细模型通常使用较大的网络定制模块(例如,特征金字塔He et al , 2015 ,通道注意力Hu et al , 2018 ,空间构型网络Payer et al , 2019等)。

        许多网络模块可以并入到一个典型的编码器-解码器网络中，其中使用辅助损失是最流行的选择(表6网络设计- AL)。顶级球队探索了几种不同的辅助损失。例如，T8、T9、T10采用深度监督( Dou et al , 2017)。T2在损失函数中引入正则化项，对分割结果施加形状约束。

        本挑战中的分割目标共享两个主要的形态学特征。每个器官都有一个大的体积和一个简单的连通区域。因此，在后处理(表6后处理)中使用连通成分分析可以去除孤立的分割异常值。

总结：

Preprocessing：Intensity Clipping , Normalization, Resampling

Data augmentation：Rotation, Flipping, Scaling, Deformation, Intensity

Network design：Encoder–decoder Network, Residual Block, Channel-wise Attention Block , Anisotropic Operations , Auxiliary Loss（deep supervision)

Postprocessing：Connected Component Analysis, Resampling