通过U-net基准对3D医疗图像细分进行模型缩放的重新审视
Ziyan Huang1,2,3, Jin Ye3,4, Haoyu Wang1,2,3
1Institute of Medical Robotics, Shanghai Jiao Tong University, Shanghai, 200240, China.
Scientific reports
|August 14, 2025
概括
较大的3D U-Net模型并不总是更适合医疗图像细分. 最佳的架构取决于特定的任务和数据集,较小的模型通常具有竞争性.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 3D U-Net架构被广泛采用用于3D医疗图像细分.
- 假设较大的模型产生更高的性能是普遍存在的,但未得到充分探索.
研究的目的:
- 系统地对U-Net变体进行基准测试,用于3D医疗图像细分.
- 通过调查模型大小和性能来挑战"越大越好"的范式.
- 为优化基于数据集特征的U-Net架构提供准则.
主要方法:
- 基准测试 18 种U-Net变体,具有不同的分辨率阶段,深度和宽度.
- 在42个不同的公共3D医学成像数据集中评估模型.
- 分析架构选择对细分性能的影响.
主要成果:
- 最优的U-Net架构是针对特定任务的,而不是普遍更大的.
- 较小的模型经常达到竞争性性能.
- 增加分辨率阶段,深度或宽度会根据数据集属性产生减少的回报.
结论:
- "越大越好"的方法对于3D医学图像细分并不总是最佳的.
- 数据集的特征 (音符间距,解剖学复杂性,类数量) 决定了最佳的架构.
- 建立了一个框架,在模型选择中平衡性能和计算效率.
