ويرد هذا المقال من شبكة لى فنغ AI حفر كيم جي
مساهمة NNU نت هو أن: ليس فقط يمكن استخدامها كأدوات تجزئة من خارج منطقة الجزاء، ويمكن أيضا أن تستخدم كأساس U-صافي ومنصة قوية لالأوراق المتعلقة قسم الطبي المستقبل نشرها.
ترجمة | كاكا
مؤخرا، مقالا من مركز أبحاث السرطان الألماني، ودعا التصوير الطبي ورقة تقسيم NNU نت التابع لجامعة هايدلبرغ وجذب الباحثين مستشفى هايدلبرج الجامعي اهتماما واسعا.
جاء كفريق واحد مع إمكانية وضع إطار التكيف تقسيم الصور الطبية لأية مجموعة البيانات الجديدة، والإطار يمكن ضبطها آليا جميع المعلمات وفقا لسمات على مجموعة البيانات الواردة، والعملية برمتها دون تدخل بشري. تعتمد فقط على U-صافي برامج هيكل والتدريب القوي بسيطة، المعترف بها NNU نت انقسام في التحديات الستة لتحقيق الأداء الأكثر تقدما.
ملخص
تعزيز التنوع في مجموعة البيانات، وتجزئة الدلالي هو حقل شبه شعبية من تحليل الصور الطبية، كل عام عددا كبيرا من الأسلوب الجديد. ومع ذلك، وهذه الطريقة المعقدة المتزايدة أصبح بعيد المنال على نحو متزايد. وفي الوقت نفسه، فإن العديد من الطريقة المقترحة فشل في تعزيز خارج قدمت ورقة، وبالتالي إعاقة عملية التنمية في مجموعة جديدة من خوارزمية تجزئة البيانات.
هنا، نقترح NNU نت ( "لا جديد نت ') - إطار جديد التكيفية أي مجموعة بيانات معينة. على الرغم من أن حتى الآن هو الدافع وراء عملية تماما من قبل الإنسان، ولكن علينا أولا محاولة تلقائيا أداء التعديلات اللازمة لإعطاء مجموعة البيانات السمات، مثل البيانات وتجهيزها، صورة حجم الكتلة، حجم دفعة والمنطق المقدمة.
ومن الجدير بالذكر أن إزالة NNU نت بنية الشبكة يتوهم المقترحة في المجتمع الأكاديمي، ولكن الاعتماد فقط على البسطاء U-صافي هيكل جزءا لا يتجزأ من برامج التدريب قوية. اعترف NNU نت انقسام في التحديات الستة لتحقيق الأداء الأكثر تقدما.
مقدمة
تجزئة الدلالي لا يزال موضوع البحث الساخنة في مجال الحوسبة الصور الطبية، و 70 من تدور المنافسة الدولية حوله تتكشف. سبب قلق بالطبع الدائم هو أحد الأسباب المهمة للتنوع والخصائص الفردية للمجموعات البيانات التصوير التي واجهتها في المجال الطبي: حجم البيانات بين مجموعات البيانات، أبعاد الصورة وحجم الصورة، ومقياس الرمادية مجموعة فوكسل الرمادي تمثيلات مختلفة جدا.
قد تكون التسمية على أساس صورة غير متوازنة للغاية، قد لا تكون واضحة، ولكن نوعية التسمية بين مجموعات البيانات تختلف على نطاق واسع. وبالإضافة إلى ذلك، بعض مجموعات البيانات في الصورة الهندسة متفاوتة جدا، ورقة أو الحالة التي يمكن أن تحدث في الملعب المحاذاة وغير متكافئ. أخذت معا، وهذه الحالات تجعل نتائج مهمة تعميمها على مهام أخرى أكثر صعوبة، وعندما إعادة تطبيق هذه الأساليب في حل مشكلة أخرى، فإنها تميل إلى الفشل.
ضبط القرار التصميم أو اقتراح عملية مفهوم تصميم جديدة معقدة: معظم الخيارات تعتمد إلى حد كبير على كل، أدلة أخرى أن اختيار التوزيع في العديد من الصحف، بما في ذلك العديد من "الضجيج". لذلك، في السنوات الأخيرة، وقد وضعت العلماء عددا من تجزئة. ومن أبرز الأمثلة هو: U-صافي هذه الفرقة فك لتخطي اتصال - المتغيرات ترميز مختلف الهياكل، بما في ذلك إدخال اتصال المتبقية، والاتصال المكثف، وآليات الاهتمام، إضافية فقدان طبقة المساعدة، وغيرها من الميزات إعادة تقويم (طبقة ضبط تلقائي للصورة).
تعديلات محددة مختلفة جدا عن بعضها البعض، ولكن لديهم كل التركيز بشكل خاص على التغييرات هندسة الشبكات. وبالنظر إلى عدد كبير من الأوراق ذات الصلة الانقسام، فضلا عن التنوع والتحديات المرتبطة مجموعات بيانات محددة لتحقيق المزيد والمزيد من الصعب متابعة هذه الوثائق لتحديد ما هي مبادئ التصميم حقا تم الترويج التحقق من التجربة. واستنادا إلى تجربتي الخاصة، العديد من المفاهيم لدينا تصميم جديد ولم يحسن أداء تجزئة، وأحيانا حتى تلف أداء خط الأساس.
قضية رئيسية اليوم هي لحساب الصور الطبية يتم تطبيق (تقسيم) طريقة لقضايا جديدة من عملية مدفوعة بالكامل من قبل من صنع الإنسان. لأنه يقوم على الخبرة، وتركز الورقة على هيكل الشبكة، وتجاوز كل المعايير الأخرى. طريقة عموما تعديل خط الأساس الأمثل لتعويض من خلال اقتراح هيكل جديد. منذ الاعتماد القوي سوبر الفضاء معلمة وعدد كبير من الدنيا المحلية، مما يجعل طريقة التكيف بشكل أفضل مع تصبح مشكلة جديدة صعبة للغاية، لذلك أي شخص في هذه الدورة لا يمكن حقا أن تلام. هذا الوضع برمته للباحثين والأوساط الأكاديمية، فمن المحبط. خصوصا في مثل مجموعة متنوعة من حقل البيانات من التصوير الطبي، يعتمد التقدم إلى حد كبير على قدرتنا على حل هذه المشاكل.
هذه المحاولات الورقة إلى اتخاذ الخطوة الأولى في هذا الاتجاه: نقترح أي جديد نت (NNU نت)، التي تضم تلقائيا التكيف مع مجموعات البيانات تجزئة جديدة. وبناء على التحليل الآلي من مجموعة البيانات، NNU-صافي تصميم آلية وتنفيذ عملية التدريب الشبكة. حول هندسة الشبكات U-الصافية القياسية، ونحن نفترض أن تجزئة من قبل مجموعة معينة من النظام والاختيار الدقيق للمعلمات سوف تنتج فائقة الأداء التنافسي. في الواقع، من دون أي دليل صقل الوضع، الذي ينفذ على أفضل أداء متقدم على عدة معايير تقسيم الطبي معروفة.
طريقة
خوارزمية تجزئة يمكن إضفاء الطابع الرسمي على أنه f وظيفة (س) = ذ، حيث x هو صورة، ص هو تجزئة توقع المقابلة، هو التطبيق المطلوب من طريقة التدريب ومجموعة فائقة المعلمة. يمكن أن تكون أبعاد كبيرة جدا، بما في ذلك العملية برمتها من قبل المعاملة إلى المنطق. وقد ركزت العديد من الصحف عموما على التقرير، وأكد من خلال اختيار الأكثر ملاءمة على ، فإنه سيتم توفير رمز مصدر في ظل ظروف مثالية لتغطية كامل . ومع ذلك، إذا قمت بالتبديل إلى مجموعات بيانات جديدة لها سمات مختلفة، وهذا عدم فهم لكيفية عملية تعديل . هنا، نحن أولا محاولة إضفاء الطابع الرسمي على هذه العملية.
على وجه التحديد، ونحن نتطلع لمجموعة البيانات بين وظيفة الترويج جيدة ز (X، Y) = . في الخطوة الأولى، تحتاج إلى تحديد تلك المعايير لا تحتاج فائقة التعديل، في حالتنا، هذه المعايير تعكس نظام تجزئة قوية عظمى وإن كان بسيطا وبرنامج تدريبي قوي، وهذه العوامل هي دينامية، الحاجة إلى إجراء التغييرات المقابلة في X و Y.
في الخطوة الثانية، نحدد دينامية المعلمة ز، مجموعة من القواعد الكشف عن مجريات الأمور في مثالنا، لتعديل التطبيع واختزال مخطط، حجم الكتلة والتكوين من حجم الصورة والجزء الأكبر محددة الحوسبة هيكل الشبكة بما في ذلك شبكة التكامل والمنطق. وباختصار، NNU نت هو يمكن أن تتكيف دون أي إطار تفاعل المستخدم تقسيم مجموعات بيانات مختلفة لا ترى.
2.1 المعالجة
صورة التوحيد
هذه الخطوة تتطلب إدخال المعلومات البيانات الطريقة. إذا كان الوضع ليس CT، وNNU نت عن طريق طرح الانحراف المتوسط والمعياري مقسوما على القيم الرمادية كثافة طبيعية. إذا الطريقة هي CT، يتم تنفيذ تلقائيا من 0.5 إلى 99.5 قيمة الرمادي القوي مستوى النافذة توزيع كثافة القص مماثل من مجموعة التدريب وتنقسم المنطقة الأمامية. من أجل تلبية نموذجي طريقة الوزن التهيئة، وذلك باستخدام متوسط التوقعات العالمية والانحراف المعياري للبيانات وتطبيع.
فوكسل التباعد
NNU-صافي تهم كل الملعب في بيانات التدريب، وتحديد قيمة الملعب لكل محور على النحو الملعب الهدف. ثم استخدم ثالث ترتيب خدد الاستيفاء اختزال كل مجموعة التدريب. الملعب متباين الخواص (وخصوصا الحالة التي يكون فيها الطائرة الخارجي ثلاث مرات أكثر من أرض الملعب من طائرة) سوف يتسبب في أو الأعمال الفنية. في هذه الحالة، ونحن نستخدم أقرب الاستيفاء جار لاستكمال الطائرة. لكل فئة المقابلة علامات تجزئة، وذلك باستخدام خطي اختزال الاستيفاء.
خطوة 2.2 التدريب
هندسة الشبكات
ثلاثة U-صافي نموذج (سلسلة 2D U-نت، 3D U-نت واثنين من نموذج 3D U-نت) التكوين بشكل مستقل عن بعضها البعض، والتصميم والتدريب. في سلسلة اثنين 3D U-صافي نموذج العمارة، وهذا نموذج الذي يولد أول نتائج قرار التقسيم، تليها الخطوة التالية صقل النموذج الثاني. وفيما يتعلق U-صافي شبكة الأصلية، ونحن فقط التغييرات الثلاثة التالية: واحد هو استخدام عملية الفرقة حافة الحشو الإلتواء لتحقيق الانتاج ثابت وشكل المدخلات، والثاني هو مثال تطبيع، والثالث هو بدلا من استخدام راشح ReLUs ReLUs.
hyperparameter الشبكة
وتحتاج هذه المعلمات لضبط شكل بيانات التدريب المجهزة مسبقا. على وجه التحديد، NNU نت تلقائيا تعيين حجم الدفعة، وعدد من كتلة صورة تجميع وحجم كل محور، بحيث تبقى استهلاك الذاكرة داخل نطاق معين (12 GB TitanXp GPU). في هذه الخطوة، وأكبر حجم كتلة صورة ح الأفضلية لحجم الدفعة (حجم الحد الأدنى دفعة من 2)، للحصول على مزيد من المعلومات السياق الفضاء. فإن حجم كل محور يكون تجميع voxels إلى 4 أو أقل. وتضاعف كل هيكل U-صافي باستخدام التفاف مرشح 30 في الطبقة الأولى، وهذا الرقم في كل عملية تجميع. في حالة نموذجية، إذا اختار حجم كتلة صورة الغلاف فوكسل أقل من 25، وسوف تستخدم في بيانات التدريب عينات متصلا 3D U-نت. عندما يكون القصد صورة تتالي حجم كتلة صغير جدا لتغطية قرار كامل من NNU نت لا يزال الحصول السياق الملائم.
شبكة التدريب
وكانت جميع U-صافي هيكل نصف من التدريب عبر التحقق من الصحة. يتم تعيين كل جولة 250 دفعات صغيرة. النرد باستخدام فقدان الكون عبر وفقدان كمبلغ فقدان الوظيفة. محسن آدم يستخدم كمؤشر معدل التعلم الأولي من 3 10-4، L2 الوزن اضمحلال 3 10-5. تدريب المتوسط المتحرك الأسي كلما لم يتم تحسين الخسارة في الفترة الماضية 30، انخفض معدل التعلم 0.2 مرات. عندما يكون معدل التعلم أقل من 6/10 أو أكثر من 1000 طلقة من التدريب، والتدريب توقف. نحن نستخدم إطار batchgenerators لتعزيز البيانات على الانترنت خلال التدريب. على وجه التحديد، ونحن نستخدم تشوه مرن، والتناوب عشوائي وعشوائي وتعزيز التوسع غاما. إذا كانت البيانات متباين الخواص، والمكانية التحويل أجريت في الطائرة 2D.
2.3 المنطق
باستخدام طريقة انزلاق نافذة التنبؤ كل حالة، حيث تم تعيين منطقة متداخلة إلى نصف حجم الكتلة الصورة. وهذا يزيد من حق منطقة قريبة من وسط الثقيلة المتوقعة. بيانات الاختبار مقلوب لتعزيز طول كل المحاور.
NNU نت متكاملة مزيج شكلت من قبل اثنين U-نت (2D، 3D وشلال)، وتلقائيا اختيار أفضل نموذج للتنبؤ أو اختبار مجموعة متكاملة وفقا لنتائج عبر التحقق من الصحة. أبعد من ذلك، NNU نت ينتج أيضا باستخدام المصادقة عبر نموذج الخمس المتكاملة.
نتيجة
كان NNU نت أصلا في قسم طبي في المرحلة الأولى من رالي العشارية العشارية سبعة تدريب مجموعة البيانات المتقدمة. الطعن في مجموعة البيانات يغطي الكثير من الخلافات والتحديات في المشاكل تقسيم الطبية التي تواجهها عادة. NNU نت تقسيم التحدي (المرحلة الأولى والمرحلة الثانية) في مسابقة العشاري الطبية وخمسة آخرين التحدي قسم الطب الشعبي وتقييمها. وتظهر نتائج كل تحدي في الجدول 1.
الشكل 1: NNU-صافي الأداء تجزئة مجموعة بيانات الاختبار في الطب منها. وتقدم جميع التصنيفات تآمر على الرسم البياني (اعتبارا من 1925 مارس). العددية العشارية، LITS، ACDC وBCV من النرد النتيجة، MS الآفة وPROMISE12 استخدام مقاييس مختلفة.
قسم الطبي العشارية (العشاري)
المرحلة الأولى من التحديات تشمل مجموعات البيانات السبعة المذكورة آنفا، المشاركين استخدام هذه المجموعات للبيانات لتطوير تجزئة خوارزمية يمكن تعزيزها. في المرحلة الثانية، فإنه يوفر تكن معروفة من قبل ثلاث مجموعات البيانات الأخرى. تغيير خوارزمية دون مزيد من التفاعل بين المستخدم أو تطبيقها على هذه مجموعات البيانات. يتم تعيين تقييم مرحلتين في الاختبار الرسمي القيام به. في المرحلتين الأولى والثانية، NNU نت لديها ميزة واضحة في التحدي العشاري.
القلب انقسام التحدي (ACDC)
وينقسم اثنين من صورة سينمائية-MRI خلال كل قلب إلى ثلاثة أجزاء. التحدي توفر 100 حالة التدريب، ولكل حالة وجود فترتين. نحن يدويا تقسيم البيانات NNU-شبكات نصف المدى عبر التحقق من الصحة. جعل NNU نت أول (يوم 50 اختبار) في القائمة المفتوحة، ويحدد البيانات الوصول إلى دولة من الفن.
تجزئة العمودية متعددة التحدي آفات التصلب
مهمة التصلب تقسيم متعددة في صورة MRI. تقدم خمسة مرضى، كل مريض لديه 4-5 النقاط الزمنية (أي ما مجموعه 21 نقطة الساعة)، وهناك نوعان من المقيمين، وتوفير كل نقطة زمنية التعليقات. سنقوم بتقييم كل شخص كمجموعة تدريبية منفصلة ويدويا تقسيم الحالات التدريب لضمان الطبقية المريض. في مجموعة الاختبار، في المرتبة NNU نت قدمت 163 في الخامس برصيد 93.09، خلف جامعة فاندربيلت أربعة المقدمة والنتائج التي على أعلى الدرجات 93.21.
PROMISE12
مهمة تجزئة البروستاتا هو متباين الخواص في صورة MRI. عروض 50 حالة التدريب المشروح و 30 حالات الاختبار غير المسماة. قدمت NNU-صافي نتيجة اختبار مجموعة من 89.08، لتحتل المرتبة ال11 من بين مجموع 290 في (أولا: 89،59).
LITS
التحدي ورم الكبد تجزئة 131 صور التدريب (CT) و 70 عناصر الاختبار. في الحالات التدريب، فإنه يوفر تقسيم الكبد وسرطان الكبد. كان NNU نت على المرض والكبد عشرات النرد 0.725 و 0.958. عن طريق إزالة جميع المناطق الأخرى من المنطقة الأمامية بعد الحد الأقصى للاتصالات تجهيز النرد يسجل ارتفع إلى 0.7380.960 و، في النتيجة المخططات الآفة مفتوحة صلت النرد تقسيم الدولة من الفن، وفريق انقسام الكبد الترتيب 12317 بت (أولا: 0،966).
ما وراء التحدي الجمجمة المدفن (البطن)
تنقسم مجموعة البيانات المهمة 13 أجهزة في الصور CT البطن. تقدم تحديا 30 صورة تدريب المشروح و20 صورة الاختبار. NNU نت على هذه المجموعة البيانات تصل إلى حالة من الفن، النرد متوسط درجة 88.1، وهو أعلى من النقاط الثلاث الثانية (أي ما مجموعه 43 الخرائط المقدمة). على وجه التحديد، NNU نت 11 أعلى درجة معينة من 13 جهازا.
ويبين الجدول 2 الدراسة الاجتثاث للتحقق من اختيار NNU نت وتصميم. أجريت جميع التجارب باستخدام نفس البيانات تقسيم في العشارية مجموعة البيانات التمثيلي للمرحلة الأولى. وتشير هذه النتائج إلى أن علينا أن تعديل من جهة، واستخدام راشح relus ومن جهة أخرى للتحقق من الأمثلة التي اخترناها التطبيع، وتعزيز البيانات وفقدان تأثير وظيفة.
2 هو مبين في الشكل. تصميم NNU-صافي التجارب الخيارات الاجتثاث. جزء من البيانات التدريب و3D U-نت العشارية بيانات تمثيلية مجموعة من التجربة. تمثل NNU-صافي القيم النتيجة متوسط النرد المقدمة (متوسط مثل الكبد والأورام غربال مجموعة البيانات معامل)، والنرد النتيجة الاجتثاث تمثل النسبة المئوية للتغير في الدراسة.
بحث
قدمنا NNU نت، ويمكن أن تتكيف تلقائيا إلى أي مجموعة معينة من البيانات دون تدخل المستخدم إطار قسم الطبي. على حد علمنا، NNU نت هو أول من حاول التعديلات اللازمة لا بد من تقسيم بين الإطار الرسمي جمع البيانات. NNU نت تنفيذ معظم الأداء المتطور في ستة التحدي انقسام علني. ومن اللافت للنظر جدا، لأن NNU نت لا تعتمد على مجموعة متنوعة من بنية متعددة المجالات المعقدة المقترحة في السنوات الأخيرة، ولكن الاعتماد فقط على هيكل U-صافي بسيط. ويجب التأكيد على أننا لم يكن لديك لضبط التحدي من فرط المعلمات بين مجموعات البيانات يدويا، ويتم تحديد جميع الخيارات تصميم تلقائيا بواسطة NNU-نت. حتى أكثر إثارة للدهشة هو أنه أكثر من خوارزميات أخرى مصممة خصيصا دليل على جزء من مجموعة البيانات.
تضم NNU نت عدد محدد من خيارات التصميم المشتركة، مثل U-صافي هيكل، النرد، وفقدان البيانات والنماذج لتعزيز التكامل، وكذلك يتم تحديد بعض تصميم ديناميكي اختيارهم من قبل مجموعة من تقسيم اتباع قواعد تجربتنا. على الرغم من أن أفضل طريقة لاستخدام هذه القواعد قد لا حل هذه المشكلة. المزيد من مجموعة بيانات معينة، قد يحاول العمل المستقبل لبيانات سمة تعيينها من الدراسة مباشرة هذه القواعد. وعلى الرغم من NNU نت الخيارات يمكن أن تركز على تحقيق أداء قوي في تقسيم بيانات متعددة، ولكن هذا لا يعني أننا يجب أن نجد التكوين الأمثل العالمي.
في الواقع، يمكن أن ينظر إليه من خلال تجارب الاجتثاث هو مبين في الجدول 2، استبدل ReLU اختيار راشح ReLU لا يؤثر على الأداء، قد لا تنطبق حلولنا تعزيز البيانات لجميع مجموعات البيانات، في مرحلة ما بعد تجهيز أيضا تحتاج إلى مزيد من الدراسة. أظهرت النتائج أن LITS نحن، قد يكون الخيار الصحيح تجهيز آخر مفيد. هذه مرحلة ما بعد العلاج يمكن أن يكون آليا أو عن طريق تحليل بيانات التدريب عبر المصادقة على أساس نتيجة لمخطط الاختيار. هذه المحاولة جزء الآلي من النسخة الأولية من NNU نت خلال العشارية التحدي، ولكن نتيجة للتحسين المستمر لا يمكن تجاهل.
والآن بعد أن أنشأنا حتى الآن أقوى U-صافي خط الأساس، يمكننا أن منهجية تقييم براعة تصميم الشبكة وأداء أكثر تقدما بالنسبة إلى الإطار العام الذي اعتمد هنا ترقية. ولذلك، NNU نت لا يمكن إلا أن تستخدم أدوات تجزئة من خارج منطقة الجزاء، ويمكن أيضا أن تستخدم كأساس U-صافي ومنصة قوية لالأوراق المتعلقة قسم الطبي المستقبل نشرها.
أوراق الأصلي https://arxiv.org/abs/1904.08128
فتح عنوان مصدر https://github.com/MIC-DKFZ/nnunet
