重磅! A-Eval: 腹部多器官分割的跨數(shù)據(jù)集評估基準(zhǔn) 盡管深度學(xué)習(xí)徹底改變了腹部多器官分割，但由于在小型特定數(shù)據(jù)集上進(jìn)行訓(xùn)練，模型常常難以泛化。 隨著最近大規(guī)模數(shù)據(jù)集的出現(xiàn)，出現(xiàn)了一些重要的問題: 在這些數(shù)據(jù)集上訓(xùn)練的模型能否在不同的數(shù)據(jù)集上很好地泛化? 如果是/否，如何進(jìn)一步提高其普遍性? 為了解決這些問題，本文引入了 A-Eval，這是腹部 (“A”) 多器官分割的跨數(shù)據(jù)集評估 (“Eval”)的基準(zhǔn)。 我們采用來自四個大型公共數(shù)據(jù)集的訓(xùn)練集: FLARE22、AMOS、WORD 和TotalSegmentator，每個數(shù)據(jù)集都為腹部多器官分割提供了廣泛的標(biāo)簽。 為了進(jìn)行評估，我們將這些數(shù)據(jù)集的驗(yàn)證集與 BTCV 數(shù)據(jù)集的訓(xùn)練集結(jié)合起來，形成一個包含五個不同數(shù)據(jù)集的強(qiáng)大基準(zhǔn)。 我們使用 A-Eval 基準(zhǔn)評估各種模型的通用性，重點(diǎn)關(guān)注不同的數(shù)據(jù)使用場景:獨(dú)立訓(xùn)練單個數(shù)據(jù)集.通過偽標(biāo)記利用未標(biāo)記數(shù)據(jù)、混合不同模式以及跨所有可用數(shù)據(jù)集進(jìn)行聯(lián)合訓(xùn)練。此外，我們還探討了模型大小對跨數(shù)據(jù)集泛化性的影響。 通過這些分析，我們強(qiáng)調(diào)了有效數(shù)據(jù)使用在增強(qiáng)模型泛化能力方面的重要性，為組裝大規(guī)模數(shù)據(jù)集和改進(jìn)訓(xùn)練策略提供了寶貴的見解。

論文地址：https://arxiv.org/abs/2309.03906 代碼地址：https://github.com/uni-medical/A-Eval 需要進(jìn)論文創(chuàng)新點(diǎn)群的，關(guān)注我私信我，進(jìn)論文創(chuàng)新點(diǎn)群