一网分割万物：一种通用轻量且精准的3D医学图像分割系统
机器学习
2019-11-06 v1 图像与视频处理
摘要
许多近期医学分割系统依赖强大的深度学习模型来解决高度特定的任务。为最大化性能，标准做法是评估众多具有不同模型拓扑、优化参数、前处理与后处理步骤甚至模型级联的流程。所得流程如何迁移至不同任务通常并不明确。我们提出一个简单且经过充分评估的深度学习框架，用于任意医学图像体的分割。该系统不需要任务特定信息、不需要人机交互，并基于固定的模型拓扑和固定的超参数集，消除了模型选择过程及其固有的导致方法级过拟合的倾向。该系统以开源形式提供，使用时无需深度学习专业知识。在无任务特定修改的情况下，该系统在3项独立分割任务上的表现优于或类似于高度专门的深度学习方法。此外，其在2018年医学分割十项全能竞赛（包含另外10项任务）的第一轮和第二轮中分别排名第5和第6。该系统依赖多平面数据增强，从而便于应用基于常见U-Net的单一2D架构。多平面训练将2D全卷积神经网络的参数效率与系统的训练及测试时增强方案相结合，使2D模型能够学习3D图像体的表示以促进泛化。
引用
@article{arxiv.1911.01764,
title = {One Network to Segment Them All: A General, Lightweight System for Accurate 3D Medical Image Segmentation},
author = {Mathias Perslev and Erik Bjørnager Dam and Akshay Pai and Christian Igel},
journal= {arXiv preprint arXiv:1911.01764},
year = {2019}
}