该研究使用基于3D nnU-Net的深度学习方法进行医学图像分割，并与传统2D和循环分割方法进行比较。结果表明该方法在时序一致性和跨数据集泛化性方面具有优势，有望成为临床工具的首选。

该研究使用3D nnU-Net深度学习方法进行医学图像分割，结果表明该方法在时序一致性和跨数据集泛化性方面具有优势，有望成为临床工具的首选。

本研究使用基于3D nnU-Net的深度学习方法进行医学图像分割，并与传统2D和循环分割方法进行比较。在私人数据集CARDINAL上测试结果显示，该方法在时序一致性和跨数据集泛化性方面表现优异，有望成为临床工具的首选。

本研究使用基于3D nnU-Net的深度学习方法进行医学图像分割，并与传统2D和循环分割方法进行比较。测试结果显示该方法在时序一致性和跨数据集泛化性方面具有优势，有望成为临床工具的首选。