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

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。

更新标准化基线：发布了一系列基于nnU-Net框架的更新标准化基线，这些基线适配了不同的硬件配置，以便更公平、更一致地评估不同方法的性能。

强调科学验证的重要性：论文提倡在未来的研究中应更加重视科学严谨的验证流程，以确保方法的改进是实质性的而非表象上的提升。

论文最终呼吁整个领域需要文化上的转变，即在评估新方法时应将验证的质量视为与网络架构的创新同等重要，以推动真正的科学进步。

https://avoid.overfit.cn/post/fc43928c41574818a0d61958f572e9cb