用于鲁棒脑肿瘤分割的多模型多架构集成
计算机视觉与模式识别
2017-11-07 v1 人工智能
机器学习
摘要
卷积神经网络等深度学习方法在密集语义分割等挑战性任务上持续优于以往方法。然而，各种提出的网络表现各异，其行为很大程度上受架构选择与训练设置影响。本文探索了多模型多架构集成（EMMA），通过对广泛方法的预测进行聚合来实现鲁棒性能。该方法降低了单个模型的元参数影响以及将配置过拟合到特定数据库的风险。EMMA 可视为一种无偏的通用深度学习模型，被证明具有优异性能，在 BRATS 2017 竞赛中于 50 余支参赛队伍里获得第一。
关键词
引用
@article{arxiv.1711.01468,
title = {Ensembles of Multiple Models and Architectures for Robust Brain Tumour Segmentation},
author = {Konstantinos Kamnitsas and Wenjia Bai and Enzo Ferrante and Steven McDonagh and Matthew Sinclair and Nick Pawlowski and Martin Rajchl and Matthew Lee and Bernhard Kainz and Daniel Rueckert and Ben Glocker},
journal= {arXiv preprint arXiv:1711.01468},
year = {2017}
}
备注
The method won the 1st-place in the Brain Tumour Segmentation (BRATS) 2017 competition (segmentation task)