重温 nnU-Net：对 3D 医学图像分割中严格验证的呼吁
计算机视觉与模式识别
2024-07-26 v2
摘要
nnU-Net 的发布标志着 3D 医学图像分割的范式转变，它证明了经过适当配置的 U-Net 架构仍然可以取得 SOTA 的结果。尽管如此，对新颖架构的追求以及相应声称优于 U-Net 基线的性能仍在继续。在本研究中，我们证明当审查这些近期声明是否存在常见的验证缺陷（如使用不充分的基线、数据集不足以及忽略计算资源）时，其中许多声明是站不住脚的。通过精心避免这些陷阱，我们对当前的分割方法进行了彻底而全面的基准测试，包括基于 CNN、基于 Transformer 和基于 Mamba 的方法。与当前观点相反，我们发现实现 SOTA 性能的秘诀是：1) 采用基于 CNN 的 U-Net 模型，包括 ResNet 和 ConvNeXt 变体，2) 使用 nnU-Net 框架，以及 3) 将模型扩展到现代硬件资源。这些结果表明，该领域对新颖架构存在持续的创新偏见，并强调了在追求科学进步的过程中需要更严格的验证标准。
引用
@article{arxiv.2404.09556,
title = {nnU-Net Revisited: A Call for Rigorous Validation in 3D Medical Image Segmentation},
author = {Fabian Isensee and Tassilo Wald and Constantin Ulrich and Michael Baumgartner and Saikat Roy and Klaus Maier-Hein and Paul F. Jaeger},
journal= {arXiv preprint arXiv:2404.09556},
year = {2024}
}
备注
Accepted at MICCAI 2024