[论文解读] Cutting-edge 3D Medical Image Segmentation Methods in 2020: Are Happy Families All Alike?

Jun Ma|arXiv (Cornell University)|Jan 1, 2021

Medical Imaging and Analysis参考文献 63被引用 14

一句话总结

本文回顾了2020年国际挑战赛中表现最佳的10项3D医学图像分割方法，识别出支撑最先进性能的常见‘幸福家庭’实践——如基于U-Net的架构、数据增强和模型集成——并指出了在效率、泛化能力和长尾分割方面仍存在的关键挑战，同时维护了一个公开的GitHub仓库，持续为研究提供最新方法参考。

ABSTRACT

Segmentation is one of the most important and popular tasks in medical image analysis, which plays a critical role in disease diagnosis, surgical planning, and prognosis evaluation. During the past five years, on the one hand, thousands of medical image segmentation methods have been proposed for various organs and lesions in different medical images, which become more and more challenging to fairly compare different methods. On the other hand, international segmentation challenges can provide a transparent platform to fairly evaluate and compare different methods. In this paper, we present a comprehensive review of the top methods in ten 3D medical image segmentation challenges during 2020, covering a variety of tasks and datasets. We also identify the "happy-families" practices in the cutting-edge segmentation methods, which are useful for developing powerful segmentation approaches. Finally, we discuss open research problems that should be addressed in the future. We also maintain a list of cutting-edge segmentation methods at \url{https://github.com/JunMa11/SOTA-MedSeg}.

研究动机与目标

• 全面回顾在MICCAI 2020举办的十个国际挑战赛中表现最佳的3D医学图像分割方法。
• 识别顶尖模型中普遍存在的方法论模式——即‘幸福家庭’实践——以指导未来方法的开发。
• 突出尚未解决的问题，如模型效率、跨医疗中心的泛化能力，以及分割任务中极端类别不平衡问题。
• 维护一个公开的、持续更新的仓库，收录最新最先进的分割方法，网址为 https://github.com/JunMa11/SOTA-MedSeg，供社区参考。

提出的方法

• 本研究分析了来自十个3D医学图像分割挑战赛的顶尖解决方案，涵盖CT、MR、PET及多模态成像任务。
• 识别并分类了获奖方法中广泛采用的组件，如基于U-Net的架构、多尺度特征学习以及先进的数据增强策略。
• 分析内容包括对训练协议、推理策略以及顶尖模型中使用的后处理技术的评估。
• 作者评估了模型集成在提升性能方面的作用，同时指出其带来的计算成本和资源需求。
• 评估了损失函数和指标（如Dice相似度系数（DSC）和Hausdorff距离（HD））在多样化数据集上的影响。
• 本文将研究成果整理为一个公开的GitHub仓库，用于追踪和共享医学图像分割领域最新的最先进方法。

实验结果

研究问题

• RQ1 在2020年挑战赛中表现最佳的3D医学图像分割模型中，哪些常见的方法论组件持续存在？
• RQ2 数据多样性与多中心验证在不同临床环境中对模型泛化能力有何影响？
• RQ3 模型集成在多大程度上提升了性能？其在推理效率和资源使用方面的权衡是什么？
• RQ4 在分割极小或罕见结构（如平均体积仅为238个体素的颅内动脉瘤）时，主要面临哪些挑战？
• RQ5 在基于深度学习的医学图像分割领域，仍存在哪些理论与实践上的空白，特别是在泛化能力、鲁棒性与数据效率方面？

主要发现

• 在十个2020年挑战赛中表现最佳的方法主要采用基于U-Net的架构，并针对3D上下文建模和跳跃连接进行了改进。
• 几乎所有顶尖解决方案都使用了模型集成，显著提升了性能，但同时带来了高昂的计算需求和较长的推理时间。
• nnU-Net框架成为主导基线模型，在53项任务中的33项中取得了最先进结果，归因于其自动化配置和强鲁棒性。
• 尽管部分挑战中DSC得分较高，但在未见中心的测试中性能显著下降，表明跨不同扫描仪厂商和医疗机构的泛化能力较差。
• 在极端不平衡的情况下——如ADAM挑战中目标结构的平均大小仅为238个体素——顶尖方法的DSC仅为0.41，凸显了在罕见结构分割方面仍存在的持久挑战。
• 本研究指出，当前分割网络的理论基础仍然薄弱，关于泛化能力、损失函数景观以及数据效率方面仍存在开放性问题。