Systematische Analyse und Leistungsvergleich von 3D U-förmigen Deep-Learning-Modellen für die Segmentierung der Thoraxanatomie

Diese Studie führt einen umfassenden Leistungsvergleich verschiedener U-förmiger Deep-Learning-Modelle für die CT-basierte Segmentierung der Thoraxanatomie und anderer abdominaler Strukturen durch. Sie zeigt, dass das STUNet-Modell basierend auf der Genauigkeit und Modellkomplexität am besten abschneidet. Darüber hinaus ergeben die Experimente, dass CNN-basierte U-förmige Modelle hervorragende Ergebnisse liefern, während Aufmerksamkeitsmechanismen die Leistung nicht zwangsläufig verbessern. Außerdem kann eine sorgfältige Gestaltung der Operationen für verschiedene Komponenten des U-förmigen Modells die Ergebnisse deutlich verbessern.