[论文解读] 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 153

一句话总结

nnU-Net 是一个完全自动化的医学图像分割框架，通过无需人工干预地优化预处理、块大小、批量大小和推理设置，将标准 U-Net 架构自适应地适配到任何新数据集。它采用最小化且稳健的训练方案，在六个基准挑战中实现了最先进性能，无需进行架构特定的调优。

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.

研究动机与目标

• 解决医学图像分割方法日益增加的复杂性以及泛化能力不足的问题。
• 减少在新数据集上进行超参数和预处理选择时对人工专业知识的依赖。
• 开发一个完全自动化的框架，在不修改架构的前提下实现最先进性能。
• 证明简单的 U-Net 配合稳健训练可超越复杂且专门设计的架构。
• 实现在新医学影像数据集上快速、开箱即用的分割模型部署。

提出的方法

• 根据数据集的特定特征（如强度分布和模态）自动确定最优预处理步骤。
• 根据数据集的分辨率、大小和类别不平衡情况，在训练过程中自适应调整块大小和批量大小。
• 采用一致的训练方案，包括数据增强、混合精度训练和早停策略，以确保鲁棒性。
• 使用未经修改的 3D U-Net 主干网络，依赖于训练协议的优化而非架构调整。
• 通过多尺度测试和翻转增强进行集成推理，以提升最终分割质量。
• 通过在验证集上评估模型性能的流水线，自动执行超参数搜索。

实验结果

研究问题

• RQ1 一个单一、简单的 U-Net 架构是否能在不修改架构的前提下，在多种医学图像分割任务中实现最先进性能？
• RQ2 基于数据集特性，超参数和预处理选择的自动化程度在多大程度上可行？
• RQ3 稳健的训练协议是否能在跨数据集的泛化能力上超越复杂且任务特定的架构？
• RQ4 自动化适应是否能消除在新分割任务中对专家调优的需求？
• RQ5 在既定基准上，nnU-Net 与专用方法相比，在性能和可复现性方面表现如何？

主要发现

• nnU-Net 在六个公认的医学图像分割基准挑战中实现了最先进性能，且未对架构进行任何修改。
• 该框架能自动为每个数据集确定最优的预处理、块大小、批量大小和推理设置。
• 即使不使用架构上的额外优化，其性能在基准数据集上仍持续优于专用架构。
• 由于其自适应特性，该方法在多种成像模态和解剖结构之间表现出良好的泛化能力。
• 源代码公开，可实现可复现性，并能快速部署到新数据集上。
• 该框架证明，稳健的训练与自动化可超越复杂且手工设计的架构。