nnU-Net: Self-Adapting Framework for U-Net-Based Medical Image Segmentation

Github PDF

Abstract

​ U-net在2015年被提出来，到现在引用量已经1万大几了，真是厉害的很。目前在医学图像分割甚至在自然图像领域都应用广泛。但是U-net在针对不同任务的时候，它的网络结构，预处理，训练和推断可能都不同。这些选择不是相互独立的并且影响着最终的效果。作者提出了nnU-Net(no new-Net，起名字就是这么潇洒，学着点)，该网络是在2D和3D U-Net基础的一个鲁棒并且自适应的框架。作者认为不应该过多考虑网络设计的细节，而是应该关注于能提高模型性能和泛化性的其他方面。然后作者进行了实验发现效果惊人的好，我们就好好剖析一下，看看是怎么个惊人法。

Introduction

​ 如果一个网络对指定的任务没有进行完全地手动优化，从而可以有大量的空间进行调整去改善结果，那么很容易证实这些用来提高网络性能的结构调整可以很有效（翻译的有点绕口）。在作者之前的实验中，这些调整并没有提高分割的性能并且不能推进SOTA（感同身受啊，我之前做胰腺的CT 3D分割，无论怎么加模块（记得当时用了各种很火的注意力机制，并且看很多新论文又推出了什么什么牛B的模块），调整结构，效果怎么也不能再往上提高了，一度怀疑我是否已经达到了SOTA