CNN依旧能战：nnU-Net团队新研究揭示医学图像分割的验证误区，设定先进的验证标准与基线模型

文章预览

本文 约4200字 ，建议阅读 10+ 分钟 作者通过批判性地评估现有研究中的常见短板，揭示了许多新颖方法性能超越传统方法的声称在严格验证后难以站得住脚。 这篇论文研究了在3D医学图像分割领近年引入了许多新的架构和方法，但大多数方法并没有超过2018年的原始nnU-Net基准。作者指出，许多关于新方法的优越性的声称在进行严格验证后并不成立，这揭示了当前在方法验证上存在的不严谨性。 揭示验证短板： 深入探讨了当前医学图像分割研究中存在的验证不足问题，特别是在新方法与旧基准的比较中缺乏严格的科学验证和不公平的比较基准。 系统性的基准测试： 通过广泛的实验，作者系统地评估了现有的多种分割方法（包括基于CNN、基于Transformer和Mamba的方法），强调了合适的配置和现代硬件资源的重要性，以及在严格控制条件下的性能比较。 ………………………………