脑肿瘤分割的鲁棒性

目的：脑肿瘤分割是医学图像分析中最活跃的领域之一。虽然当前方法在基准数据集上表现超越人类，但其在日常临床实践中的适用性尚未得到评估。在我们的工作中，我们研究深度神经网络在此场景下的泛化行为。方法：我们评估三种最先进方法、一个基础 U-net 架构以及一个级联 Mumford-Shah 方法的性能。我们还提出两种简单修改（不改变拓扑）以改进泛化性能。结果：在我们的实验中，我们展示训练良好的 U 网络表现出最佳泛化行为，且足以解决该分割问题。我们阐明为何该模型在真实场景中的扩展不仅无意义甚至有害。结论：我们从实验中得出结论，深度神经网络的泛化性能在医学图像分析中严重受限，尤其在脑肿瘤分割领域。我们认为，当前拓扑结构针对实际基准数据集优化，但无法直接应用于日常临床实践。