Auto-nnU-Net：面向自动化医学图像分割
计算机视觉与模式识别
2025-05-28 v3 人工智能
摘要
医学图像分割(MIS)包括从骨骼到器官等多样化任务，每种任务在寻找最佳分割模型方面都有其独特挑战。当前与事前设置的超参数和启发式设计选择相容的 nnU-Net AutoML 框架仍受限于固定超参数。作为全自动 AutoML 框架，本文提出 Auto-nnU-Net，一种新的 nnU-Net 变体，使其能够进行超参数优化(HPO)、神经网络结构搜索(NAS)以及层次 NAS(HNAS)。此外，我们提出 Regularized PriorBand 以平衡模型准确度与训练所需计算资源，解决实际医疗环境中常面临的资源限制问题，这些问题限制了大规模训练的可行性。我们在来自 Medical Segmentation Decathlon 众所周知的数据集上评估了该方法，分析了 AutoML 技术对分割性能、计算效率和模型设计选择的影响。结果表明，我们的 AutoML 方法在 6 个数据集上显著提升了 nnU-Net 的分割性能，在其余 4 个数据集上表现与 nnU-Net 持平，同时保持了实用的资源要求。我们的代码已在 https://github.com/automl/AutoNNUnet 上提供。
引用
@article{arxiv.2505.16561,
title = {Auto-nnU-Net: Towards Automated Medical Image Segmentation},
author = {Jannis Becktepe and Leona Hennig and Steffen Oeltze-Jafra and Marius Lindauer},
journal= {arXiv preprint arXiv:2505.16561},
year = {2025}
}
备注
31 pages, 19 figures. Accepted for publication at AutoML 2025