一种自配置的医学目标检测方法

机器学习如何用于医学图像处理呢？今天橙子姐姐带大家看看深度学习用于肺部数据的检测。

医学图像中对象的同时定位和分类，也称为医学对象检测，具有很高的临床相关性，因为诊断决策通常取决于对象的评级而不是例如。像素。对于这项任务，方法配置的繁琐和迭代过程构成了主要的研究瓶颈。最近，nnU-Net 成功地解决了图像分割任务的这一挑战。按照 nnU-Net 的议程，在这项工作中，我们将医疗对象检测的配置过程系统化和自动化。由此产生的自配置方法 nnDetection 无需任何人工干预即可适应任意医疗检测问题，同时实现与最先进技术相当或优于最新技术的结果。我们在两个公共基准 ADAM 和 LUNA16 上展示了 nnDetection 的有效性，并在公共数据集上提出了 11 项进一步的医疗对象检测任务，以进行综合方法评估。开启了医疗对象检测方法开发的新视角。所有设计选择都在与数据集无关的元级别上进行了优化，允许在应用时对特定数据集进行开箱即用的调整，并消除手动和迭代方法配置的负担。尽管有这种通用功能，但 nnDetection 在两个公共排行榜和新提出的用于对象检测的 11 个基准测试中表现出优于或与最先进技术相媲美的性能。我们的方法可以被视为进一步手动特定任务优化的起点。正如在 LUNA16 上所见，额外的假阳性减少组件可以进一步改善结果。此外，按照 AutoML [7] 的数据驱动优化对于对象检测管道的特定组件在计算上是可行的，从而进一步改善结果。

代码位置： https://github.com/MIC-DKFZ/nnDetection .nnDetection