医学图像分割：从UNet到Res-UNet与nnUNet

本研究对包括UNet、Res-UNet、Attention Res-UNet和nnUNet在内的深度学习模型进行比较分析，并评估其在脑瘤、结肠息肉和多类心脏分割任务中的性能。分析侧重于精确度、准确度、召回率、Dice相似系数（DSC）和交并比（IoU），以评估其临床可行性。在脑瘤分割中，Res-UNet和nnUNet显著优于UNet，Res-UNet在DSC和IoU得分方面领先，表明其在肿瘤描绘方面具有更高精度。而nnUNet在召回率和准确度方面表现突出，这对于可靠的临床诊断和规划至关重要。在结肠息肉检测中，nnUNet最为有效，所有类别的最高指标均达到最高，证明其作为内窥镜诊断工具的可靠性。在心脏分割这一复杂任务中，Res-UNet和Attention Res-UNet在描绘左心室方面表现卓越，Res-UNet在右心室分割中也领先。nnUNet在心肌分割中无与伦比，实现了在精确度、召回率、DSC和IoU方面的领先得分。本研究的结论指出，尽管Res-UNet在特定指标上偶尔优于nnUNet，差异仍较小。此外，nnUNet在实验中始终表现出更好的整体性能。尤其值得注意的是， nnUNet在高召回率和准确度方面表现突出，这在临床环境中至关重要，以最小化误诊并确保及时治疗。nnUNet在所有测试类别中关键指标的稳健表现，使其成为这些种类和复杂分割任务中最有效的模型。