超越收敛的训练：在撒哈拉以南非洲MRI数据上对nnU-Net进行Grokking以实现胶质瘤分割
图像与视频处理
2026-02-02 v1 人工智能
计算机视觉与模式识别
摘要
胶质瘤正给撒哈拉以南非洲地区带来日益增长的临床负担。在该地区，患者的中位生存期仍不足两年，且诊断成像的可及性极为有限。这些限制凸显了对自动化工具的迫切需求，这些工具能够从每张可用扫描中提取最大可能信息，并且是专门基于本地数据训练的，而非从条件迥异的高收入环境迁移而来。我们利用了脑肿瘤分割（BraTS）非洲2025挑战赛数据集，这是一个专家标注的胶质瘤MRI集合。我们的目标是：（i）在此数据集上使用nnUNet建立一个强基线，以及（ii）探索著名的“grokking”现象——一种从记忆到卓越泛化的突然、后期训练跳跃——是否可以被触发以在无需额外标签的情况下提升性能。我们评估了两种训练方案。第一种是快速、预算敏感的方法，将优化限制在仅几个epoch，反映了非洲机构通常可用的有限GPU资源。尽管存在这一限制，nnUNet仍取得了强大的Dice分数：全肿瘤为92.3%，肿瘤核心为86.6%，增强肿瘤为86.3%。第二种方案将训练延长至远超收敛点，旨在触发grokking驱动的性能飞跃。通过这种方法，我们成功实现了grokking，并将结果提升至更高的Dice分数：全肿瘤为92.2%，肿瘤核心为90.1%，增强肿瘤为90.2%。
引用
@article{arxiv.2601.22637,
title = {Training Beyond Convergence: Grokking nnU-Net for Glioma Segmentation in Sub-Saharan MRI},
author = {Mohtady Barakat and Omar Salah and Ahmed Yasser and Mostafa Ahmed and Zahirul Arief and Waleed Khan and Dong Zhang and Aondona Iorumbur and Confidence Raymond and Mohannad Barakat and Noha Magdy},
journal= {arXiv preprint arXiv:2601.22637},
year = {2026}
}