[论文解读] Optimized U-Net for Brain Tumor Segmentation

Michał Futrega, Alexandre Milesi+2 more|arXiv (Cornell University)|Oct 7, 2021

Brain Tumor Detection and Classification被引用 8

一句话总结

本论文针对BraTS21挑战赛提出了一种优化的U-Net架构，用于脑肿瘤分割，在验证阶段获得第一名，在测试阶段获得第三名。该方法结合了深度监督、更深的编码器（通道数增加）、前景体素的一次性编码，以及定制的后处理策略，显著提升了基线U-Net的Dice分数。

ABSTRACT

We propose an optimized U-Net architecture for a brain tumor segmentation task in the BraTS21 challenge. To find the optimal model architecture and the learning schedule, we have run an extensive ablation study to test: deep supervision loss, Focal loss, decoder attention, drop block, and residual connections. Additionally, we have searched for the optimal depth of the U-Net encoder, number of convolutional channels and post-processing strategy. Our method won the validation phase and took third place in the test phase. We have open-sourced the code to reproduce our BraTS21 submission at the NVIDIA Deep Learning Examples GitHub Repository.

研究动机与目标

• 开发一种高性能的基于U-Net的模型，用于多模态MRI扫描中的自动脑肿瘤分割。
• 识别架构组件与训练策略的最佳组合，以提升分割精度。
• 通过系统的消融研究，应对有限的医学训练数据及肿瘤外观差异性带来的挑战。
• 通过架构优化与训练调度调整，在BraTS21基准上实现最先进性能。

提出的方法

• 采用带深度监督的U-Net架构，以改善梯度流动与训练稳定性。
• 将编码器深度从6层增加至7层，并提升卷积滤波器数量，以增强表征能力。
• 在输入中增加一个表示前景肿瘤体素的一次性编码通道，以增强空间感知能力。
• 应用多阶段后处理策略，移除小范围、低置信度的增强肿瘤（ET）区域，以减少假阳性。
• 采用Focal损失与Dice损失的混合损失函数，以缓解肿瘤分割中的类别不平衡问题。
• 在多个U-Net变体及组件上进行了广泛的5折交叉验证消融研究。

实验结果

研究问题

• RQ1 在BraTS21上，基本U-Net、注意力U-Net、残差U-Net、SegResNetVAE和UNETR这几种U-Net变体中，哪一种表现最佳？
• RQ2 架构组件（如深度监督、DropBlock、残差连接）如何影响分割性能？
• RQ3 编码器深度、通道数与输入预处理的最优组合是什么，可使Dice分数最大化？
• RQ4 后处理对最终分割性能有何影响，特别是在小范围、低置信度ET区域方面？
• RQ5 何种训练调度与损失函数配置能在BraTS21数据集上实现最佳泛化性能？

主要发现

• 带深度监督的U-Net在所有测试变体中取得了最高的平均Dice分数0.9149，优于基线U-Net（0.9130）。
• 结合更深编码器（深度7）、增加通道数（64–512）以及一次性前景输入，Dice分数提升至0.9156。
• 最终模型（包含所有优化：更深编码器、通道调整、一次性输入及后处理）在验证集上达到0.9163的平均Dice分数。
• 后处理通过移除低置信度的小型ET组件，减少了假阳性，使分数从0.9156提升至0.9163。
• 该模型在BraTS21验证阶段排名第一，并在最终测试阶段获得第三名。
• Focal损失与DropBlock未显著提升性能，表明在此设置下收益有限。