#今日论文推荐# nnUNet 改进 | 让UNet系列在大赛中雄风依旧_nnunet做分类任务

#今日论文推荐# nnUNet 改进 | 让UNet系列在大赛中雄风依旧

语义分割是医学图像计算中最热门的研究领域之一。尽管 nnU-Net 的概念化可以追溯到 2018 年，但它继续为各种分割问题提供具有竞争力的开箱即用解决方案，并经常被用作挑战获胜算法的开发框架。在这里使用 nnU-Net 参加 AMOS2022 挑战赛，该挑战赛附带一组独特的任务：不仅数据集是有史以来最大的数据集之一，拥有 15 个目标结构，而且比赛还需要提交的解决方案来处理 MRI 和 CT 扫描。
通过仔细修改 nnU-Net 的超参数、在编码器中添加残差连接以及自定义后处理策略的设计，能够大大改进 nnU-Net 基线。在提供的训练案例的 5 倍交叉验证中，最终集成在任务 1 (CT) 和任务 2 (CT+MRI) 上的 Dice 得分分别为 90.13 和 89.06。

1、简介
医学图像中所有解剖结构和病理的自动描绘是医学图像计算的长期目标。由于需要专家注释器和 3D 注释的时间密集型特性，到目前为止，数据集需要在目标结构的数量和训练案例的数量之间进行仔细的平衡。因此，现有方法要么在许多图像上进行训练，并且可以稳健地分割少数结构，要么在少数图像上进行训练，可以分割许多鲁棒性降低的结构。因此，无论何时需要对患者解剖结构进行整体透视，都必须将来自多个来源的多个专家模型汇集在一起。这不仅增加了推理时间，而且还产生了新的问题，例如潜在的冲突预测。最后，也许最重要的是，每个专家模型都是独立训练的，标签协同作用不能被利用，因此可能会降低模型的标签效率及其鲁棒性。
在此背景下，2022 年腹部多器官分割 (AMOS2022) 挑战赛旨在促进整体分割方法的发展。它带有数量空前的训练图像和带注释的目标结构：在 500 次 CT 和 100 次 MRI 扫描中标记了 15 个感兴趣的器官，分布在 200+40（CT + MRI）训练、100+20 验证和 200+40 测试图像中挑战提出了两项任务：任务 1 是仅针对 CT 图像的经典多器官分割问题，而任务 2 包括 MRI 图像，并希望提交的方法能够处理这两种模式。
在医学图像分割的背景下，nnU-Net 经受住了时间的考验。尽管具有完全自动化的开箱即用特性，但它始终在新的分割数据集发布时提供最先进的结果。此外，nnU-Net 成功地用作特定任务方法优化的基础，不仅使我们，而且使许多其他团队能够赢得竞争激烈的挑战。因此，使用 nnU-Net 来参与 AMOS2022 挑战似乎是再自然不过的事情了。
2、方法
nnU-Net 是一个自动配置和训练基于 U-Net 的分割管道的框架。通过对目标数据集的严格分析，nnU-Net 自动适应patch size、batch size、预处理、网络拓扑等。
在本节中，作者对 nnU-net 的自动生成管道提出了一些修改，以最大限度地提高 AMOS2022 挑战的分割性能。在整个方法开发过程中，将所有修改应用于这两个任务，唯一的区别是强度归一化方案。

• 对于任务 1，使用 nnU-Net 的“CT”方案（数据驱动的裁剪和归一化），
• 对于任务 2，使用所有图像的简单 z-score（nnU-Net 的“非CT”设置）。

论文题目：Extending nnU-Net is all you need
详细解读：https://www.aminer.cn/research_report/63077e027cb68b460f0bc7d6https://www.aminer.cn/research_report/63077e027cb68b460f0bc7d6
AMiner链接：https://www.aminer.cn/?f=cs