无代码调整 JSON 计划，在 AutoPET II 挑战中优化 nnU-Net
原文中文，约400字，阅读约需1分钟。发表于：。在 AutoPET II 挑战赛中，我们通过修改 nnU-Net 中易于理解和修改的 'nnUNetPlans.json' 文件，切换到具有残差编码器的 UNet，增加批次大小和块大小，从而获得了一个配置，其性能显著超过自动配置的 nnU-Net 基线（5 折交叉验证 Dice 分数为 65.14 比...
本研究提出了一种综合方法FP-PET，用于医学图像分割，针对CT和PET图像。采用多种机器学习模型，包括STUNet-large、SwinUNETR和VNet，实现最先进的分割性能。引入综合评估指标，结合Dice分数、FPV和FNV，提供模型有效性的全面衡量。探讨了与模型训练相关的计算挑战和解决方案，以及预处理和后处理技术，包括高斯加权方案和形态学操作，以进一步优化分割输出。
