[Paper] 使用多样化精度训练的增强型3D脑肿瘤分割

Source: arXiv - 2605.04008v1

Overview

本文提出了一种用于3‑D脑肿瘤分割的新流水线，将流行的 SegResNet 架构与 自动多精度训练 策略相结合。通过在训练过程中微调数值精度，作者实现了最先进的 Dice 分数（全肿瘤最高可达 0.90），同时保持计算成本在可控范围内——这一进展有望加速临床工作流程和 AI‑辅助诊断。

关键贡献

• 多精度训练框架，能够自动为每个训练阶段选择最佳的浮点精度（例如 FP16、BF16、FP32），在不牺牲准确性的前提下降低内存使用和训练时间。
• SegResNet 的适配（一种 3‑D 残差 U‑Net 变体）到多精度环境，证明该架构在混合精度算术下仍然稳健。
• 全面评估 在标准脑肿瘤基准上，报告 Dice 分数为 0.84（肿瘤核心）、0.90（整体肿瘤）和 0.79（增强肿瘤）。
• 开源实现（代码和训练脚本），可轻松集成到现有医学影像流水线中，几乎无需额外工作。

方法论

1. 数据预处理 – 将 3‑D MRI 体积进行归一化，重新采样到统一体素间距，并裁剪至脑部感兴趣区域。
2. SegResNet 主干 – 网络由带残差连接的编码‑解码块和 3‑D 卷积组成，旨在捕获局部纹理和全局上下文。
3. 自动多精度训练
   • 训练循环监控梯度稳定性和损失曲率。
   • 当损失曲面平滑时，优化器切换到低精度（例如 FP16）以加速计算。
   • 若检测到不稳定（如梯度爆炸），则回退到高精度（FP32）。
4. 损失函数与指标 – 使用 Dice 损失直接优化预测与真实标签的重叠。Dice 系数报告三个肿瘤子区域（整体、核心、增强）的结果。
5. 训练细节 – Adam 优化器，余弦退火学习率调度，批量大小受 GPU 显存限制（受益于降低精度）。

结果与发现

• 多精度方法将训练时间缩短约 30 %，相较于纯 FP32 基线，同时实现相当或更好的 Dice 分数。
• 内存消耗显著降低，能够在单个 GPU 上容纳更大的 3‑D 补丁，提升模型学习上下文线索的能力。
• 定性可视化显示分割更平滑、更连贯，尤其在肿瘤边界处，部分体积效应较为常见。

Practical Implications

• 更快的模型开发 – 研究人员和开发者可以更快地迭代分割模型，因为训练周期减少且 GPU 内存需求更低。
• 可部署在边缘类硬件上 – 混合精度推理已在许多现代 GPU 和 AI 加速器上得到支持，使得在医院 PACS 系统甚至便携设备上进行术中引导成为可能。
• 改进的临床决策支持 – 整体肿瘤分割的 Dice 分数更高，意味着肿瘤体积测量更可靠，这对治疗计划、疗效监测和放疗剂量至关重要。
• 可扩展到其他模态 – 同一多精度流水线可用于 CT、PET 或多模态 MRI 数据，为更广泛的医学影像分析任务打开大门，无需完全重新设计。

限制与未来工作

• 数据集范围 – 实验仅限于公开的脑肿瘤数据集；在异质临床扫描（不同扫描仪、协议）上的性能尚未测试。
• 精度选择启发式 – 自动切换逻辑基于规则；采用学习型控制器（例如强化学习）可能进一步优化精度调度。
• 推理速度 – 虽然训练收益显著，论文未量化混合精度下的推理延迟；未来工作应对实时部署场景进行基准测试。
• 扩展到多任务学习 – 将分割与肿瘤分级或生存预测相结合，可使模型在临床工作流中更具价值。

结论： 通过将成熟的 3‑D 分割骨干网络与智能精度管理相结合，这项工作推动了 AI 驱动的脑肿瘤分析的实用性——提供更快、更轻且仍然高度准确的模型，开发者可以将其集成到真实的医学影像流水线中。

作者

• Adwaitt Pandya
• Ozioma C. Oguine
• Harita Bhargava
• Shrikant Zade

论文信息

• arXiv ID: 2605.04008v1
• 类别: cs.CV, cs.LG
• 发布时间: 2026年5月5日
• PDF: Download PDF