广义 Wasserstein Dice 损失、测试时增强与 Transformer 在 BraTS 2021 挑战赛中的应用
图像与视频处理
2022-10-04 v1 计算机视觉与模式识别
摘要
从多种磁共振成像(MRI)模态中进行脑肿瘤分割是医学图像计算中的一项挑战性任务。主要挑战在于对多种扫描仪和成像协议的可泛化性。本文中，我们探索在不增加推理时间的前提下提高模型鲁棒性的策略。为此，我们探索从使用不同损失、优化器和训练-验证数据划分训练的模型中寻找鲁棒集成。重要的是，我们探索在 U-Net 架构的瓶颈处引入 transformer。虽然我们发现瓶颈处的 transformer 平均性能略逊于基线 U-Net，但广义 Wasserstein Dice 损失始终产生更优结果。此外，我们采用高效的测试时增强策略以实现更快且鲁棒的推理。我们最终由七个带测试时增强的 3D U-Net 组成的集成在 BraTS 2021 测试集上取得了 89.4% 的平均 dice 分数和 10.0 mm 的平均 Hausdorff 95% 距离。我们的代码和训练好的模型公开于 https://github.com/LucasFidon/TRABIT_BraTS2021。
引用
@article{arxiv.2112.13054,
title = {Generalized Wasserstein Dice Loss, Test-time Augmentation, and Transformers for the BraTS 2021 challenge},
author = {Lucas Fidon and Suprosanna Shit and Ivan Ezhov and Johannes C. Paetzold and Sébastien Ourselin and Tom Vercauteren},
journal= {arXiv preprint arXiv:2112.13054},
year = {2022}
}
备注
BraTS 2021 challenge