[論文レビュー] nnU-Net: Breaking the Spell on Successful Medical Image Segmentation.

Fabian Isensee, Jens Petersen+3 more|arXiv (Cornell University)|Apr 17, 2019

Advanced Neural Network Applications参考文献 9被引用数 153

ひとこと要約

nnU-Net は、人為的介入なしに前処理、パッチサイズ、バッチサイズ、推論設定を最適化することで、任意の新しいデータセットに標準的な U-Net アーキテクチャを適応させる完全自動化された医療画像セグメンテーションフレームワークです。最小限で頑健な訓練スキームを用いることで、6つのベンチマークチャレンジで最先端の性能を達成し、アーキテクチャに特化したチューニングの必要性を排除します。

ABSTRACT

Fueled by the diversity of datasets, semantic segmentation is a popular subfield in medical image analysis with a vast number of new methods being proposed each year. This ever-growing jungle of methodologies, however, becomes increasingly impenetrable. At the same time, many proposed methods fail to generalize beyond the experiments they were demonstrated on, thus hampering the process of developing a segmentation algorithm on a new dataset. Here we present nnU-Net ('no-new-Net'), a framework that automatically adapts itself to any given new dataset. While this process was completely human-driven so far, we make a first attempt to automate necessary adaptations such as preprocessing, the exact patch size, batch size, and inference settings based on the properties of a given dataset. Remarkably, nnU-Net strips away the architectural bells and whistles that are typically proposed in the literature and relies on just a simple U-Net architecture embedded in a robust training scheme. Out of the box, nnU-Net achieves state of the art performance on six well-established segmentation challenges. Source code is available at https://github.com/MIC-DKFZ/nnunet.

研究の動機と目的

• 医療画像セグメンテーション手法の複雑化と一般化の欠如に対処するため。
• 新しいデータセットにおけるハイパーパramーターや前処理選択に必要な人為的専門知識を減らすため。
• アーキテクチャの変更なしに最先端の性能を達成する完全自動化されたフレームワークを開発するため。
• シンプルな U-Net と頑健な訓練により、複雑で特化したアーキテクチャを上回ることを示すため。
• 新しい医療画像データセットに迅速かつ即時でセグメンテーションモデルをデプロイ可能にするため。

提案手法

• データセット固有の特性（強度分布、モodalitiy など）に基づいて、最適な前処理手順を自動的に決定する。
• データセットの解像度、サイズ、クラスの不均衡に基づいて、トレーニング中にパッチサイズとバッチサイズを適応的に変更する。
• データオーグメンテーション、ミックス精度、早期停止を組み合わせた一貫性のある訓練スキームを採用し、頑健性を確保する。
• アーキテクチャの変更なしに 3D U-Net バックボーンを用い、代わりに訓練プロトコルの最適化に依存する。
• 最終的なセグメンテーション品質の向上を図るために、マルチスケールテストとフリップオーグメンテーションを組み合わせたアンサンブル推論を適用する。
• 検証セットでのモデル性能を評価するパイプラインを用いて、自動的なハイパーパramーターサーチを実施する。

実験結果

リサーチクエスチョン

• RQ1 1 つのシンプルな U-Net アーキテクチャが、アーキテクチャの変更なしに、多様な医療画像セグメンテーションタスクで最先端の性能を達成できるか？
• RQ2 データセットの特性に基づいて、ハイパーパramーターや前処理の選択をどの程度自動化できるか？
• RQ3 頑健な訓練プロトコルは、複雑でタスク特化したアーキテクチャよりも、データセット間での一般化性能を上回るか？
• RQ4 自動適応によって、新しいセグメンテーションタスクにおけるエキスパートのチューニングの必要性を排除できるか？
• RQ5 既存のベンチマークにおいて、nnU-Net は特化した手法と比較して、性能と再現性の面でどのように差をつけるか？

主な発見

• nnU-Net は、アーキテクチャの変更なしに、6つの well-established な医療画像セグメンテーションチャレンジで最先端の性能を達成した。
• このフレームワークは、各データセットに対して最適な前処理、パッチサイズ、バッチサイズ、推論設定を自動的に決定する。
• アーキテクチャに特化した装飾を一切持たないにもかかわらず、ベンチマークデータセットでは、特化したアーキテクチャを常に上回る性能を示した。
• 自己適応性のおかげで、多様な画像モodalitiy と解剖的構造にわたって良好な一般化性能を示した。
• ソースコードは公開されており、再現性の確保と新しいデータセットへの迅速なデプロイを可能にした。
• 頑健な訓練と自動化が、複雑で手作業で設計されたアーキテクチャを上回ることを示した。