nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation（解读）

论文动机：

        生物医学成像是科学发现的驱动力和医疗保健的核心组成部分，目前受到深度学习领域的推动。虽然语义分割算法可以在许多应用中实现 3D 图像分析和量化，但相应专业解决方案的设计并非易事，并且高度依赖于数据集属性和硬件条件。作者团队提出了 nnU-Net，这是一个深度学习框架，它浓缩了当前的领域知识，并自主地做出将基本架构转移到不同数据集和分割任务所需的关键决策。在无需手动调整的情况下，nnU-Net 在 19 项公开国际比赛中超越了最专业的深度学习管道，并在 49 项任务中的大部分任务中创下了新的最先进水平。结果表明，深度学习方法在系统适应不同数据集方面具有巨大的潜力。

主要内容

        本文提出了nnU-Net,这是一种用于生物医学图像分割的深度学习方法,它可以为任何新任务自动配置自己。 nnU-Net在许多国际分割挑战中都能达到最先进的性能,超越了专门为这些任务开发的特定网络架构。 关键的创新在于将复杂的手动方法配置流程系统化为固定参数、基于数据集属性的规则参数以及最少的经验参数进行优化。 这使得nnU-Net可以在各种不同的数据集和分割任务中表现出很好的泛化能力,而不需要专业知识或大量计算资源。

        分析显示方法配置的细节比架构变化对性能影响更大。nnU-Net使用了一个简单的U-Net架构,但通过良好的配置超过了更复杂的方法。 在nnU-Net的开发和评估中使用了23个公开的生物医学图像数据集,包含了广泛的成像模式、目标结构和图像属性。 作为一个开源工具,nnU-Net可以开箱即用,无需专业知识去适配和优化网络架构,就可以进行最先进的分割。

主要创新点：

        将复杂的手动方法配置流程系统化为固定参数、基于数据集属性的规则参数以及最少的经验参数进行优化。

适用于不同数据集的关键因素

1、数据指纹（表示数据集的关键属性）管道指纹（表示分割算法的关键设计选择）

        数据指纹：这是一个数据集的关键属性的表示。这些属性包括数据的分布、大小、形状、体素间距信息和类比等。数据指纹可以帮助我们理解数据集的特性，从而为流水线优化提供有用的信息。例如，如果我们知道数据集的大小是固定的，那么我们可以选择一个固定大小的缓冲区来存储数据，从而提高处理效率。

        管道指纹：从数据到模型这个过程中经历的参数和设计方法选择，管道指纹"涉及到数据预处理、特征选择、模型训练等步骤。例如，在数据预处理阶段，可能需要进行数据清洗、缺失值处理、异常值处理等操作；在特征选择阶段，可能需要进行特征提取、特征选择、特征转换等操作；在模型训练阶段，需要进行模型选择、超参数调优、模型验证等操作。这些步骤的选择和顺序都影响到最终的数据分析结果。

2、启发式规则

        nnU-Net通过生成所谓的包含所有相关信息的管道指纹，实现了 生物医学图像分割的深度学习方法的设计。重要的是，nnU-Net将设计选择减少为非常重要的设计选择，并使用一组启发式规则自动推断出这些选择。 这些规则浓缩了领域知识，并对上述数据指纹和针对特定项目的硬件约束进行操作。这些基于规则的参数由与数据无关的固定参数和在训练过程中进行优化的经验参数进行补充。

nnU-Net的方法流程可以简述如下:

1.从训练数据中提取数据集特征(fingerprint),包括图像大小、体素间距、模态等信息。

2.根据数据集特征,使用一系列经验规则自动配置分割网络的参数,如预处理、网络拓扑结构、训练策略等。这些规则参数涵盖医学图像分割领域知识。

3。将未涵盖的少量参数(如模型选择、后处理)设置为在训练中经验优化。

4.使用默认的U-Net网络架构模板训练多个模型。

5.通过交叉验证,从训练好的多个模型中经验选择表现最好的单模型或模型组合。

6.如果后处理能提高验证性能,则应用后处理。

7.最终获得自动配置的、适用于该特定任务的分割网络配置。

8.将训练好的网络应用于测试数据,获得分割结果。