nnU-Net: 基于U-Net医学图像分割技术的自适应框架_nnunet最早什么时候提出

**

nnU-Net: 基于U-Net医学图像分割技术的自适应框架

**
https://arxiv.org/pdf/1809.10486.pdf
作者：Fabian Isensee

提要
U-Net于2015年推出。凭借其简单直接的架构，它迅速发展成为医学图像分割中的常用基准。 但是，U-Net缺乏对新问题的适应性，包括在精确架构，预处理，训练和推理方面等缺乏自由度。 这些选择的结果彼此影响，严重拖累整体性能。
本文介绍nnU-Net（“ no new-Net”），它是基于2D和3D U-Net的鲁棒自适应的框架。 我们提议删除许多多余的网络设计，着重于模型的性能和通用性。 我们在医学分割十项全能挑战（the Medical Segmentation Decathlon challenge）上评估nnU-Net，该挑战衡量十个学科的分割性能，这些学科包括不同的实体，图像模态，图像几何形状和数据集大小，并且不允许在数据集之间进行手动调整。
在提交结果时，nnUNet在7个一阶段比赛中，在线得分榜中获得最高的平均dice损失得分。（除了BrainTumour）

关键词：语义分割，医学图像，U-Net

1介绍
目前，医学图像分割主要由深度卷积神经网络（CNN）主导。 然而，每个细分的分割任务似乎都需要专门的网络结构和训练方法，才能获得具有竞争力的表现[1,2,3,4,5]。 这导致了大量论文其实只在较小的数据集上验证实验而没有普适性，这使得研究人员越来越难以判断一个新技术是否能在新数据集上实现其承诺优势的方法。医学分割十项全能挑战就是专门针对这个问题而产生的：比赛参与者被要求开发一个分割算法，能够普遍适用于遍布人体的十个器官的数据集上。这个算法可以动态自适应于不同的数据集上，但是要求绝对是全自动的，全过程无人工参与的。 这个挑战包括两个连续的阶段：1，开发阶段。这个阶段，开发者得到7个公开的数据集用以开发优化他们的算法，用所开发的固定的最终的算法来提交相应的7个的数据集的验证集。2，测试阶段，算法将在3个未公开的数据集上做测试。 我们认为一些看似先进的模型修改的技术，实际上会在特定的问题上发生过拟合，或者由于不那么完美的验证集，而导致非最优的解决办法。使用U-Net作为基准的模型，几个例子，在新的问题和数据集上使用时，要求做一些相应的方法上的调整。这个横跨了很多有关自由度的方面。尽管模型本身是相当简单直接的，方法也是常常被当作是一个基准，但是我们相信关于精确的网络结构，预处理，训练，和后处理的不同选择，以及这些选择之间的彼此影响，常常导致U-Net的表现低于基准。
此外，模型结构上的修改是非常容易被展示出来成是有效的，特别是当这个任务本身实际上还没有达到一个最优点。这就给模型的修改这个操作很多的空间来提升模型的表现。 在我们的先期实验中，这些模型修改实际上不能够提升模型的表现，如果模型本身已经是在一个最优的情况下。这就让我们相信，那些除了修改模型之外的操作，实际上对于模型的表现得提升，更加的重要，而这一点，常常被忽视。
在这篇论文中，我们提出一个叫做nnU-Net的模型框架，这里面包括三个主要的U-Net模型，只在原始的U-Net模型上做了一些微小的变动。我们忽略了很多新出现的技术，比如跳跃连接，密集连接，注意力机制等。nnU-Net会根据给定的图片格式，自动适应自身结构。更重要的是，这个框架全面地规定了模型使用所需要的一切步骤。这些步骤通常会影响模型的表现。比如&#x