No New-Net
计算机视觉与模式识别
2019-02-01 v2
摘要
在本文中，我们展示了在 BraTS 2018 挑战赛背景下训练良好的 U-Net 的有效性。鉴于研究者们目前正通过旨在改进分割性能的架构修改相互超越，这一尝试尤为有趣。我们转而关注训练过程，主张训练良好的 U-Net 难以被击败。我们的基线 U-Net 仅做了微小修改，并采用大块尺寸与 Dice 损失函数训练，确实在 BraTS2018 验证数据上取得了有竞争力的 Dice 分数。通过结合区域化训练、额外训练数据、简单后处理技术以及损失函数组合等额外措施，我们在测试数据上分别针对增强肿瘤、全肿瘤和肿瘤核心获得了 77.88、87.81 和 80.62 的 Dice 分数，以及 2.90、6.03 和 5.08 的豪斯多夫距离（第 95 百分位）。该设置在 BraTS2018 中取得第二名的成绩，且有超过 60 支队伍参与挑战。
引用
@article{arxiv.1809.10483,
title = {No New-Net},
author = {Fabian Isensee and Philipp Kickingereder and Wolfgang Wick and Martin Bendszus and Klaus H. Maier-Hein},
journal= {arXiv preprint arXiv:1809.10483},
year = {2019}
}