nnU-Net: Self-adapting Framework for U-Net-Based Medical Image Segmentation
no-new-Net
原文链接
(结合代码看预处理,训练过程,数据增强,后处理过程)
nnU-Net是基于2D U-net,3D U-net和U-Net Cascade的自适应任何数据集的框架,自动调整所有超参数,无需人工干预。
微小改动: 用leaky ReLU代替ReLU,用实例标准化代替批处理标准化。
2D U-net局限性: 在3D医学分割背景下使用2D U-net不是最优的,因为沿着z轴的有价值的信息不能被聚合和考虑。然而如果数据集是各项异性的,传统的3D分割性能下降。
3D U-net局限性: 受GPU内存的限制,只能在patch上训练,对于大图像(如肝脏数据集)分割来说,由于架构视野有限,无法收集足够多的上下文信息。
U-Net Cascade: 解决3D U-net在大图像数据集上的不足。先用低分辨率图像粗分割,再用全分辨率图像细分割。
stage1:(对下采样低分辨率的图像进行粗分割)首先对下采样的图像进行3D U-net训练,得到的分割图上采样到原始分辨率。
stage2:对stage1的结果进行微调。
预处理:
裁剪:所有数据都裁剪到非零值区域
重采样:重新采样到其各自数据集的中值体素间距
归一化
训练过程:
从头训练所有模型,并在训练集上使用五折交叉验证进行评估。
结合骰子系数和交叉熵损失训练网络:
Adam优化器初始学习率为
3
×
3 ×
3×
1
0
−
4
10^{−4}
10−4
数据增强:
随机选择,随机缩放,随机弹性变形,伽玛校正增强和镜像。