[论文解读] No New-Net

Fabian Isensee, Philipp Kickingereder+3 more|arXiv (Cornell University)|Sep 27, 2018

AI in cancer detection参考文献 20被引用 43

一句话总结

该论文表明，通过极少的架构修改并经过充分训练的U-Net在BraTS 2018挑战中表现优于复杂的网络架构。通过采用大块训练、Dice损失、基于区域的训练、数据增强以及损失函数组合等训练优化策略，该方法实现了最先进性能，在Dice分数上排名第二，分别为77.88（增强肿瘤）、87.81（整体肿瘤）和80.62（肿瘤核心）。

ABSTRACT

In this paper we demonstrate the effectiveness of a well trained U-Net in the context of the BraTS 2018 challenge. This endeavour is particularly interesting given that researchers are currently besting each other with architectural modifications that are intended to improve the segmentation performance. We instead focus on the training process arguing that a well trained U-Net is hard to beat. Our baseline U-Net, which has only minor modifications and is trained with a large patch size and a Dice loss function indeed achieved competitive Dice scores on the BraTS2018 validation data. By incorporating additional measures such as region based training, additional training data, a simple postprocessing technique and a combination of loss functions, we obtain Dice scores of 77.88, 87.81 and 80.62, and Hausdorff Distances (95th percentile) of 2.90, 6.03 and 5.08 for the enhancing tumor, whole tumor and tumor core, respectively on the test data. This setup achieved rank two in BraTS2018, with more than 60 teams participating in the challenge.

研究动机与目标

• 探究在医学图像分割任务中，训练优化是否能够超越架构创新。
• 评估训练策略对U-Net在BraTS 2018挑战中性能的影响。
• 确定在U-Net进行最小架构修改的基础上，结合先进训练技术是否能够取得具有竞争力的结果。

提出的方法

• 使用大块尺寸训练U-Net以提升局部特征学习能力。
• 采用Dice损失函数以优化类别不平衡数据上的分割性能。
• 应用基于区域的训练策略，将学习重点集中在具有挑战性的肿瘤区域。
• 引入额外的训练数据以提升模型泛化能力。
• 采用多种损失函数组合，以平衡不同的分割目标。
• 应用简单的后处理技术以优化分割输出结果。

实验结果

研究问题

• RQ1 在采用先进训练技术的前提下，经过极少架构修改的标准U-Net是否能在医学图像分割任务中实现顶尖性能？
• RQ2 大块训练对U-Net在脑肿瘤MRI分割中的分割精度有何影响？
• RQ3 损失函数组合与基于区域的训练在多大程度上提升了U-Net在BraTS 2018数据上的性能？
• RQ4 在不进行架构修改的前提下，数据增强与后处理是否能显著提升分割结果？
• RQ5 仅通过训练优化是否足以在BraTS 2018这类竞争性挑战中实现最先进性能？

主要发现

• 该方法在BraTS 2018测试集上对增强肿瘤的Dice分数达到77.88。
• 该方法对整体肿瘤的Dice分数达到87.81，在挑战中总排名第二。
• 该方法对肿瘤核心的Dice分数达到80.62，表现出在核心区域的强劲性能。
• 增强肿瘤的Hausdorff距离（第95百分位）为2.90，表明空间精度较高。
• 整体肿瘤的Hausdorff距离为6.03，反映出边界定位的稳健性。
• 该方法在BraTS 2018挑战中超过60支参赛团队中排名第二，证实了其具有竞争力的性能。