更具特定性：一种基于 3D U-Net 及其变型的新型基于不确定性的气道分割应用
内容提要
本文综述了UNet及其变体在医学图像分割中的应用，涵盖WD-UNet主动学习模型降低3D CT标注成本、多种3D UNet变体基准测试（STUNet最佳）、SLCA UNet在脑肿瘤分割中Dice达0.845，以及深层UNet、Res-UNet和Attention Res-UNet的优异性能，并探讨了不确定性估计与泛化能力。
延伸解读
主动学习降低3D CT标注成本
WD-UNet将Wasserstein鉴别器与UNet结合，通过不确定性度量选择最有价值的样本进行标注，从而减少标注工作量。文章指出，该方法可嵌入不同的主动学习策略和网络结构，并能获得比一些最先进的监督式深度学习模型更准确的预测结果，同时节省标注成本。这为医学3D CT分割中标注数据稀缺的问题提供了一种实用思路。
3D U型模型基准测试：STUNet表现最佳
文章首次对多种3D U型模型变体（3DUNet、STUNet、AttentionUNet、SwinUNETR、FocalSegNet及3D SwinUnet）在基于CT的胸部手术解剖分割任务上进行了系统基准研究。结果表明，STUNet排名首位，基于CNN的U型模型在该任务中具有价值，且在网络配置设计中使用剩余块有助于提高分割性能。这为研究人员选择模型架构提供了参考。
SLCA UNet在脑肿瘤分割中的性能
SLCA UNet结合了残差密集块、分层注意力和通道注意力模块以及堆叠卷积，在BraTS 2020数据集上取得了平均Dice系数0.845、灵敏度0.845、特异度0.999和Hausdorff95为8.1的结果。这表明改进的UNet结构在脑肿瘤分割任务中能够达到较好的分割精度，为相关研究提供了性能基准。
不确定性估计与泛化能力
文章探讨了利用多层不确定性模块估计图像分割的不确定性，并证明采用此方法的深度学习分割网络能同时实现高分割性能和有意义的不确定性图，可用于识别分布之外的数据。此外，通过多平面数据增强和固定模型拓扑，2D UNet可学习3D图像体的表示，提高泛化性能。这些方法有助于构建更可信赖的医学图像分割模型。
Q&A
WD-UNet 是什么？它如何减少医学 3D CT 分割的标注工作量？
WD-UNet 是一种新颖的深度主动学习模型，全称 3D Wasserstein 鉴别 UNet。它通过将不确定性度量作为查询策略的输入参数，可以嵌入不同的主动学习策略和网络结构，从而获得比一些最先进的监督式深度学习模型更准确的预测结果，并节省标注成本。
在基于 CT 的胸部手术解剖分割中，哪种 3D U 型模型表现最好？
在首次对 3D U 型模型变体（3DUNet、STUNet、AttentionUNet、SwinUNETR、FocalSegNet 以及一种新的带有四种变体的 3D SwinUnet）进行的基准研究中，STUNet 排名首位。研究证明了基于 CNN 的 U 型模型的价值，以及在网络配置设计中使用剩余块以提高分割性能的好处。
SLCA UNet 在脑肿瘤分割任务上的性能指标如何？
SLCA UNet 是一种改进的 UNet 结构，结合了残差密集块、分层注意力和通道注意力模块以及堆叠卷积。在 BraTS 2020 数据集上，其平均 Dice 系数、灵敏度、特异度和 Hausdorff95 分别为 0.845、0.845、0.999 和 8.1。
深层 UNet、Res-UNet 和 Attention Res-UNet 在医学图像分割中的表现有何差异？
研究显示，经过深层网络层扩展的标准 UNet 是一种精湛的医学图像分割模型；而 Res-UNet 和 Attention Res-UNet 架构在处理精细图像细节时表现出更平滑的收敛和卓越的性能。
如何估计医学图像分割模型的不确定性并识别分布之外的数据？
本研究提出了一种利用多层不确定性模块估计图像分割的简单有效方法，并证明了采用此方法实现的深度学习分割网络能够同时实现高分割性能和有意义的不确定性图，可用于识别分布之外的数据。
使用多样化的训练数据集对肺部分割的准确性有什么影响？
采用不同的深度学习方法和训练数据集对肺部分割进行比较，结果表明使用多样化的训练数据集可以提高准确性，并且使用 U-net 方法具有更高的 Dice 相似系数。
