搬砖猛女的啃书历程

摘要我们将nnU-Net应用于BraTS 2020挑战赛的细分任务。 未经修改的nnU-Net基准配置已经取得了可观的结果。 通过合并有关BraTS的特定修改，这些修改涉及后处理，基于区域的培训，更具综合性的数据扩充以及对nnU-Net管道的一些较小修改，我们能够大幅提高其分割性能。 此外，我们还重新实施了BraTS排名方案，以确定哪种nnU-Net变体最适合它所强加的要求。 我们的方法在BraTS 2020竞赛中名列第一，全肿瘤，肿瘤核心和增强肿瘤的Dice评分分别为88.95、85.06和82.03，

http://www.healthit.cn/2019/04/09/%E5%8C%BB%E5%AD%A6%E5%BD%B1%E5%83%8F%E6%95%B0%E6%8D%AE%E5%BA%93medical-image-dataset/各种医学图像数据库位置汇总

1.Blockwisely Supervised Neural Architecture Search with Knowledge Distillation（该论文在ImageNet数据集进行训练得到了78.4% top-1 accuracy ，比EfficientNet-B0高了2.1%个点）作者团队：暗物智能、Monash 大学、中山大学论文链接：https://arxiv.org/abs/1911.13053Semi-Supervised Neural Architecture Search