nnLandmark：一种用于3D医学 landmarks 检测的自配置方法
计算机视觉与模式识别
2026-02-24 v3
摘要
landmarks 检测是许多医学应用的核心任务，例如确定用于治疗规划的关键结构或定义生物识别测量的控制点。然而，手动注释工作量大且需要专业的解剖知识。虽然深度学习在自动化这一任务方面显示出前景，但在更广泛的背景下公平评估和解释方法受限于有限的公共基准、不一致的基线实现以及非标准化的实验。为克服这些局限，我们提出nnLandmark，一个用于3D landmarks 检测的自配置框架，该框架组合了量身定制的heatmap生成、损失函数设计、推理逻辑以及一套稳健的超参数，用于heatmap回归，同时复用了nnU-Net底层自配置和训练引擎的组件。nnLandmark在五个公共数据集和一个私有数据集上实现了最先进的性能，与三种最近发表的方法进行基准测试。其开箱即用usability使在新数据集上训练强大的landmarks 检测模型成为可能，而无需专业知识或数据集特定的超参数调优。除了准确率之外，nnLandmark提供了强大的公共基线和灵活的标准化环境，用于开发和评估新的方法贡献。它进一步通过提供数据转换工具来简化跨多个数据集的评估。综上所述，nnLandmark作为系统、透明的基准工具，为通过系统方法推进3D医学 landmarks 检测奠定了基础，使我们能够真正度量方法的进步。代码已在GitHub上提供：https://github.com/MIC-DKFZ/nnLandmark
引用
@article{arxiv.2504.06742,
title = {nnLandmark: A Self-Configuring Method for 3D Medical Landmark Detection},
author = {Alexandra Ertl and Stefan Denner and Robin Peretzke and Shuhan Xiao and David Zimmerer and Maximilian Fischer and Markus Bujotzek and Xin Yang and Peter Neher and Fabian Isensee and Klaus H. Maier-Hein},
journal= {arXiv preprint arXiv:2504.06742},
year = {2026}
}