基于深度学习的医学图像分割学习笔记(十一)nnU-net

nnU-Net是一个自适应的框架,适用于2D和3D医学图像分割任务,自动调整超参数,无需人工干预。它通过2D和3D U-Net以及U-Net Cascade解决不同数据集的分割问题。3DU-net在大图像上的局限性由U-NetCascade的两个阶段弥补,即先低分辨率粗分割,再全分辨率细分割。网络结构根据数据集动态调整,预处理包括裁剪、重采样和归一化,训练过程中使用数据增强。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

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。

在这里插入图片描述

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:
在这里插入图片描述
Adam优化器初始学习率为 3 × 3 × 3× 1 0 − 4 10^{−4} 104

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。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值