理解深度学习在医学图像分割中的技巧：挑战与未来方向
计算机视觉与模式识别
2023-05-09 v2
摘要
过去几年，计算机视觉深度学习技术的快速发展显著提升了医学图像分割（MedISeg）的性能。然而，各类模型多样化的实现策略导致 MedISeg 系统极为复杂，从而引发结果比较潜在不公平的问题。本文收集了一系列面向不同模型实现阶段（即预训练模型、数据预处理、数据增强、模型实现、模型推断与结果后处理）的 MedISeg 技巧，并在一致基线之上实验探究这些技巧的有效性。借助在代表性 2D 与 3D 医学图像数据集上的广泛实验结果，我们明确了这些技巧的作用。此外，基于所调研的技巧，我们还开源了一个强大的 MedISeg 仓库，其中每个组件均具备即插即用的优势。我们相信，这一里程碑式工作不仅完成了对最先进 MedISeg 方法的全面且互补的调研，也为应对未来医学图像处理挑战（包括但不限于小数据集、类不平衡学习、多模态学习与域适应）提供了实用指南。代码与训练权重已发布于：https://github.com/hust-linyi/seg_trick。
引用
@article{arxiv.2209.10307,
title = {Understanding the Tricks of Deep Learning in Medical Image Segmentation: Challenges and Future Directions},
author = {Dong Zhang and Yi Lin and Hao Chen and Zhuotao Tian and Xin Yang and Jinhui Tang and Kwang Ting Cheng},
journal= {arXiv preprint arXiv:2209.10307},
year = {2023}
}
备注
Under submission