基于深度学习的医学图像分割学习笔记（十一）nnU-net

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。

(动态调整网络拓扑：动态权衡batch-size和网络容量 ) 2D U-net： - 输入patch：256x256（若中值尺寸小于256，则采用中值尺寸） - batch size：42 - 最高层有30个特征图 - 沿轴池化直到这个轴上的特征图大小小于8（池数不超过6次） 3D U-net： -输入 patch size：128 × 128 × 128（若size中位数小于128，则将中位数作为patch size） - batch size：2 - 最高层有30个特征图 - 沿轴池化直到这个轴上的特征图大小小于8（池数不超过5次）

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$3\times$ $10^{-4}$

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。