Patch 大小渐进增长：加速医学图像分割的课程学习方法
摘要
本文引入了渐进式 Patch 大小增长（Progressive Growing of Patch Size），一种用于 3D 医学图像分割的自动课程学习方法。该方法在模型训练期间逐渐增加 Patch 大小，从而实现更小 Patch 大小的类别平衡和训练过程的加速收敛。我们在两种设置下评估了该课程方法：一种是资源高效模式，另一种是性能模式，两者均关注 Dice 评分性能和计算成本，涵盖 15 项多样且流行的 3D 医学图像分割任务。资源高效模式在显著减少训练时间至仅 44% 的同时，匹配常规固定 Patch 大小抽样基线的 Dice 评分性能。性能模式对常规 Patch 大小分割结果实现了统计显著的相对平均性能提升 1.28%。惊人的是，在所有 15 项任务中，我们提出的性能模式在 Dice 评分性能上均超越了常规 Patch 大小基线，同时将训练时间缩短至仅 89%。该方法在高度不平衡任务（如病灶分割任务）中的优势尤为显著。严格的实验表明，我们的性能模式不仅提升了平均分割性能，还减少了性能方差，提高了模型比较的可信度。此外，我们的发现表明，所提出的课程抽样并非局限于特定网络架构，而是一种可广泛应用的策略，能够在包含 UNet、UNETR 和 SwinUNETR 在内的多种分割模型中持续提升性能。总之，我们表明，这一简单而优雅的输入数据转换显著改善了 Dice 评分性能和训练运行时间，同时兼容多种分割主干网络。
引用
@article{arxiv.2510.23241,
title = {Progressive Growing of Patch Size: Curriculum Learning for Accelerated and Improved Medical Image Segmentation},
author = {Stefan M. Fischer and Johannes Kiechle and Laura Daza and Lina Felsner and Richard Osuala and Daniel M. Lang and Karim Lekadir and Jan C. Peeken and Julia A. Schnabel},
journal= {arXiv preprint arXiv:2510.23241},
year = {2025}
}
备注
Journal Extension of "Progressive Growing of Patch Size: Resource-Efficient Curriculum Learning for Dense Prediction Tasks" (MICCAI2024) submitted to MedIA