多编码器nnU-Net优于具有自监督预训练的Transformer模型
计算机视觉与模式识别
2025-07-01 v2
摘要
本研究探讨了医学图像分割这一核心任务，该任务涉及在医学图像中自动识别和勾勒解剖结构与病理区域。精确的分割在放射学中至关重要，因为它有助于精确地定位肿瘤等异常，从而实现有效的诊断、治疗规划和疾病进展监测。具体而言，肿瘤的大小、形状和位置会显著影响临床决策和治疗策略，这使得精确分割成为放射学工作流程的关键组成部分。然而，MRI模态的变化、图像伪影以及标注数据的稀缺性给分割任务带来的挑战，影响了传统模型的性能。为了克服这些局限性，我们提出了一种新颖的自监督学习多编码器nnU-Net架构，旨在通过独立的编码器分别处理多种MRI模态。这种方法允许模型在融合它们以进行最终分割之前捕获特定于模态的特征，从而提高准确性。我们的多编码器nnU-Net表现出卓越的性能，实现了93.72%的Dice相似系数（DSC），超过了vanilla nnU-Net、SegResNet和Swin UNETR等其他模型。通过利用每种模态提供的独特信息，该模型增强了分割任务，特别是在标注数据有限的情况下。评估突出了该架构在改善肿瘤分割结果方面的有效性。
引用
@article{arxiv.2504.03474,
title = {Multi-encoder nnU-Net outperforms transformer models with self-supervised pretraining},
author = {Seyedeh Sahar Taheri Otaghsara and Reza Rahmanzadeh},
journal= {arXiv preprint arXiv:2504.03474},
year = {2025}
}