医学分割论文:nnU-Net: Self-adapting Framework for U-Net-Based Medical Image Segmentation

医学分割论文:nnU-Net: Self-adapting Framework for U-Net-Based Medical Image Segmentation

Auther: Fabian Isensee, Institution:German Cancer Research Center, Publish year: 2018

论文地址：https://arxiv.org/abs/1809.10486

https://github.com/MIC-DKFZ/nnUNet

目前存在的问题：

• UNet在图像分割领域具有广泛应用，然而在将UNet框架应用于新的分割问题是，需要考虑网络结构，预处理，训练和预测等多个方面的问题。因此需要花费大量的时间用于数据预处理和调优。

作者提出的方案：

• 作者提出了一个可适用于多种数据，并可以自我调优的网络结构：nnUNet（no-new UNet），仅使用最典型的二维和三维UNet网络，在不使用手动优化的情况下，在多个数据集中获得了最高平均得分
• 没有添加最近的UNet改进：residual connection，dense connection，attention module
• 关注了除网络结构之外的其他方面的优化-> 图像预处理（重采样和归一化），训练（loss，优化器选择，数据增强），预测（patch-based，TTA和模型集成），后处理

研究方法：

1. 网络结构：2D 和 3D UNet以及多尺度UNet。网络中的小改动：使用 leaky ReLUs 代替ReLU作为卷积中的激活函数，并使用instance normalization代替batch normalization
2. 2D UNet: 虽然医学分割数据集均为3D数据集，但是在数据集存在空间各向异性的情况下，3D网络存在性能下降的问题
3. 3D UNet：天然适合3D数据集，但是对GPU显存消耗巨大
4. 级联UNet：低分辨率后接高分辨率UNet

预处理：

1. 裁剪：去掉0区域
2. 重采样：统一pixel spacing
3. 正则化：对于CT，将数据集中所有CT值的[0.5, 99.5]进行标准化，根据平均值和标准差进行z评分标准化；对于MR，对每个病人数据进行z评分标准化

训练：

1. 所有训练均使用5折交叉验证
2. 使用dice和交叉熵作为损失函数
3. 使用Adam优化器，初始学习率为3e-4，每个epoch设为250个train batches。在训练中计算验证集和训练集的loss的滑动平均值，当30个epoch训练集loss（acc）提升小于5e-3时，将学习率调小，学习率最小为1e-6
4. 数据增强：随机旋转，随机缩放，随机弹性变形，伽马校正增强和镜像
5. patch sampling：为了提高网络训练的稳定性，在batch中超过三分之一的样本包含至少一个随机选择的前景类

预测：

1. 基于patch训练，同样基于patch预测，对于不同patch重叠部分，中心pixel的权重高于边缘部分
2. 在预测时使用数据增强，使用5折训练的5个模型的进行预测
3. 将多个模型进行集成

后处理：

1. 对训练数据进行了ground truth的连通分量分析。如果一个类在所有情况下都位于一个连接的组件中，那么这个行为就被定义为数据集的一个通用属性。因此，在相应数据集的预测图像上，除了最大的连接组件外，该类的所有连接组件都会自动删除