深度学习模型在医学图像分割中的性能比较：基于AMOS 2022和BTCV数据集的分析

在 AMOS 2022 数据集中，nnU-Net 和 Swin UNETR 的 Dice 系数分别为 0.87 和 0.876。虽然 Swin UNETR 在两个数据集中都比其他模型表现稍好，但它优于第二名的模型的幅度很小，值得注意的是，在 Dice 系数方面，表现最差的模型分别是 Swin-Unet 和 U-Net。关于平均 Hausdorff 距离 (↓)，TransUNet 在 BTCV 数据集中得分最低，并且与其他模型相比存在显著差异。在 AMOS 2022 数据集中，Swin UNETR 的得分略低于 TransUNet，相差 0.03，排名第一，这两个数据集都表明 U-Net 的边界相似性最差。然而，Hausdorff 距离和 Dice 系数的排名结果不可避免地存在冲突。这种由多指标评估引起的冲突会导致模型排名不同，这将使医生和专家在临床实践中部署模型变得更加复杂。