【论文笔记】nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation

nnU-Net:一种基于深度学习的自配置生物医学图像分割方法

Results

nnU-Net的自动配置基于将领域知识提取成三个参数组:固定的、基于规则的和经验的参数。

1. 收集不需要在数据集之间进行调整的设计决策，并确定稳健的通用配置(“fixed parameters”)。

2. 对于尽可能多的剩余决策，以启发式规则的形式，制定特定数据集属性(“dataset fingerprint”)(包括图像大小、体素间距信息或类别比率等关键属性)和设计选择(“pipeline fingerprint”)之间的显式依赖关系，以实现几乎即时的适应应用(“rule-based parameters”)。

3. 仅从数据中凭经验学习剩余决策(“empirical parameters”)。

batch size、patch size和网络拓扑结构的配置基于以下三个原则

1. 使用较大的batch size。

2. 使用较大的patch size以吸收更多的上下文信息。

3. 使用足够深的网络拓扑结构，以保证感受野至少与patch size一样大，从而不会丢失上下文信息。

方法配置中的细节比体系结构变化对性能的影响更大

图a中前15种结构都来源于U-Net架构，证实了其对生物医学图像分割领域的影响。

前15种方法，没有一种常用的结构修改能被证明是在KiTS任务中表现良好的必要条件。

图4b体现了方法中细节的重要性，均使用了同种结构的方法，细节不同，取得的效果差别很大。

不同的数据集需要不同的配置

 

提取了23个数据集的数据指纹，证明了生物医学影像数据集的多样性，并揭示了模型缺少泛化能力的根本原因：在潜在的复杂关系下，合适的模型配置直接或间接地依赖于数据指纹，这一事实增大了方法配置的复杂性。