arXiv cs.AI· Renjun Cai, Antonio Javier Gallego, F\'elix Fuentes-Hurtado·· 4 小时前AI 评分24
基于 nnU-Net 的自配置框架:复用分割表征实现高效 3D 医学图像分类
Leveraging Segmentation Representations for Efficient Classification: A Self-Configuring Framework Based on nnU-Net
AI 导读
一个自配置框架将 nnU-Net 工作流从分割扩展到 3D 医学图像的分类,复用分割模型的编码器特征与预测分割概率供轻量分类器使用。该框架在 FLARE 2026 Task 2 官方最终评测中总排名第一,在全部四项测试任务(含两项隐藏任务)上取得最高 DSC、NSD 和 AUROC,公开验证榜 Overall 得分为 0.8056。
正文 · AI 翻译
摘要:我们提出了一种自配置框架,将 nnU-Net 工作流扩展到 3D 医学影像的分割与分类任务。基于 nnU-Net 的自配置方法,该框架复用分割模型学到的表示用于图像级分类。其编码器特征和预测的分割概率由一个轻量级分类器使用。我们研究了两种信息共享策略。在冻结骨干分支中,特征通过感兴趣区域信息、预测前景体积和分割置信度进行增强。在自适应分支中,对最终编码器阶段进行部分微调以用于分类,并加入辅助分割损失以保留分割相关信息。额外的五折实验表明,更复杂的配置并未持续提升分类性能。在公开验证排行榜上,我们选定的框架取得了 0.8056 的总分。在官方 FLARE 2026 任务 2 最终评估中,我们的框架总体排名第一,在所有四项测试任务(包括两项隐藏测试任务)中取得了最高的 DSC、NSD 和 AUROC。本地推理测量也保持在挑战赛限制之内,即每例 $60 \mathrm{s}$ 和 $4 \mathrm{GB}$ GPU 内存。这些结果证明了复用分割表示进行分类的实际价值,同时保持了简单高效的框架。
| 主题: | 计算机视觉与模式识别(cs.CV);人工智能(cs.AI) |
| 引用为: | arXiv:2611.22380 [cs.CV] |
| (或 arXiv:2611.22380v1 [cs.CV] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2611.22380 由 DataCite 颁发的 arXiv DOI(待注册) |
提交历史
来自:Félix Fuentes-Hurtado [查看邮箱]
[v1]
2026年11月17日星期二 08:31:18 UTC(2,506 KB)
来源:arXiv cs.AI · arxiv.org