Automated Design of Deep Learning Methods for Biomedical Image Segmentation

论文地址¶

https://arxiv.org/abs/1904.08128
关于nnUnet的第二篇论文，第一篇见这里

代码¶

摘要¶

Cite

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刺激。虽然语义分割算法能够在许多应用中实现3D图像分析和量化，但各自的专业解决方案的设计非常重要，并且高度依赖于数据集属性和硬件条件。我们提出了nnU-Net，这是一个深度学习框架，它浓缩了当前领域知识，并自主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。在没有人工调整的情况下，nnU Net在19项公开国际比赛中超越了最专业的深度学习框架，并在49项任务中的大多数任务中创下了最新水平。结果表明，深度学习方法在系统地适应不同数据集方面具有巨大的潜在潜力。我们将nnU Net作为一个开源工具公开提供，可以有效地开箱即用，使非专家可以访问最先进的细分领域，并作为自动化方法设计的框架推动科学进步

亮点是无需人工参与调整，适应不同任务和数据集，本文的两个贡献点是

Cite

我们用数据指纹（表示数据集的关键属性）和流水线指纹（表示分割算法的关键设计选择）来表述流水线优化问题。
我们通过将领域知识浓缩成一组启发式规则，使它们的关系明确化，这些规则在考虑相关硬件约束的同时，从相应的数据指纹中鲁棒地生成高质量的流水线指纹

介绍¶

上图中a）是传统的深度学习医学图像分割的流程，从数据分析、模型评估到模型集成的环节都需要人工参与。 b）是nn-Unet，优势是自动化，即给定数据集，可以自动分析数据集相关的特征和熟悉，自动选择合适的模型和参数，最后自动集成和后处理，从而在无需人工参与的情况下取得较好的效果。

这是nnUnet取得的炸裂效果，在49个比赛上都取得了最好或接近最好的效果，但是要注意的是nnunet并没有针对这些任务和数据集进行调整，全部靠pipline自己优化，而他的对手都是专门针对这些任务和数据集进行调整的。

这个图也很有意思，本文作者把 KITS 2019比赛的参赛选手拿了过来然后分析他们的网络结构、参数之类的，发现的结论就是网络表现得好坏，并不是和某一种网络结构、参数或者其他强相关，也就是说大家都是在这个比赛上各种结构各种参数可劲试哪个好用用哪个，也就证明了他们的网络其实是针对特定任务特定数据集进行调整，很难适用于其他任务，而且工作量较大

结论¶

Cite

我们提出了nnU-Net，这是一个用于生物医学图像分析的深度学习框架，它自动化了3D语义分割任务的模型设计。该方法在其所评估的大多数任务中都创下了新的技术水平，优于所有相应的专用处理流程。nnU-Net的强大性能不是通过新的网络架构、损失函数或训练方案（因此命名为nnU-Net-“no new Net”）实现的，而是通过使用基于显式和可解释的启发式规则的系统方法来替代手动流程优化的复杂过程。无需用户干预，nnU-Net是第一个可开箱即用的分割工具，适用于非常广泛的生物医学图像数据集，因此对于需要访问语义分割方法且没有手动调整现有解决方案以解决其问题所需的专业知识、时间或计算资源的用户来说，是理想的工具

Automated Design of Deep Learning Methods for Biomedical Image Segmentation

论文地址¶

代码¶

摘要¶

介绍¶

结论¶

评论