Large Batch and Patch Size Training for Medical Image Segmentation

要約

多臓器セグメンテーションにより、臓器の評価が可能になり、複数の臓器間の関係が説明され、正確な診断と治療の決定が容易になります。
ただし、データセットと計算リソースが不足しているため、セグメンテーションを正確に実行できるモデルはごくわずかです。
大規模で臨床的で多様な腹部多臓器セグメンテーション ベンチマークである AMOS2022 チャレンジでは、マルチ GPU 分散トレーニングを使用して、大きなバッチ サイズとパッチ サイズで 3D-UNet モデルをトレーニングしました。
セグメンテーションのパフォーマンスは、ベースライン設定と比較してバッチ サイズとパッチ サイズが大きいモデルで向上する傾向がありました。
さまざまな設定でトレーニングされたアンサンブル モデルを使用することで、精度がさらに向上しました。
これらの結果は、臓器セグメンテーションのパラメーター選択の参考になります。

要約(オリジナル)

Multi-organ segmentation enables organ evaluation, accounts the relationship between multiple organs, and facilitates accurate diagnosis and treatment decisions. However, only few models can perform segmentation accurately because of the lack of datasets and computational resources. On AMOS2022 challenge, which is a large-scale, clinical, and diverse abdominal multiorgan segmentation benchmark, we trained a 3D-UNet model with large batch and patch sizes using multi-GPU distributed training. Segmentation performance tended to increase for models with large batch and patch sizes compared with the baseline settings. The accuracy was further improved by using ensemble models that were trained with different settings. These results provide a reference for parameter selection in organ segmentation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google