图片

论文链接：https://arxiv.org/pdf/2209.10307v1.pdf

在过去的几年里，计算机视觉深度学习技术的快速发展极大地提升了医学图像分割(MedISeg)的性能。然而，最近的MedISeg出版物通常专注于主要贡献的介绍(例如，网络架构、训练策略和损失函数)，而无意中忽略了一些边缘实现细节(也称为“技巧”)，导致了不公平的实验结果比较的潜在问题。本文收集了一系列MedISeg的技巧，适用于不同的模型实现阶段(即模型实现阶段)。分别是预训练模型、数据预处理、数据增强、模型实现、模型推理和结果后处理)，并通过实验探讨了这些技巧在一致性基线模型上的有效性。通过在具有代表性的二维和三维医学图像数据集上的大量实验结果，我们明确阐明了这些技巧的效果。此外，基于所综述的技巧，我们还开放了一个强大的MedISeg存储库，其中每个组件都具有即插即用的优势。我们相信，这一里程碑式的工作不仅完成了对最先进的MedISeg方法的全面和补充调研，而且为解决未来医学图像处理的挑战提供了实用指南，包括但不限于小数据集学习、类不平衡学习、多模态学习和领域适应。

内容中包含的图片若涉及版权问题，请及时与我们联系删除