STU-Net: 开源医疗图像分割模型的突破

STU-Net 是一个基于深度学习的开源医疗图像分割项目，旨在通过大规模数据集上的预训练来提升医疗图像分割的性能。该项目使用 Python 作为主要的编程语言，并基于广泛认可的 nnUNet 框架进行开发。

核心功能

STU-Net 的核心功能体现在以下几个方面：

• 可扩展性：项目设计了不同规模的模型（S, B, L, H），以适应不同的应用需求，其中包括参数量达到 14 亿的 STU-Net-H，是目前最大的医疗图像分割模型。

• 迁移性：通过在大规模 TotalSegmentator 数据集（超过 10 万个标注）上预训练，STU-Net 展现出良好的迁移性，能够针对各种下游任务进行微调。

• 基于 nnU-Net：项目在流行的 nnUNet 框架基础上构建，提供了稳健且经过验证的医疗图像分割基础。

最近更新的功能

最近的更新主要包括以下内容：

• 性能优化：对模型结构进行了进一步的优化，提高了在大型数据集上的分割性能。

• 模型扩展：增加了新的模型规模选项，以满足不同计算资源和精度需求。

• 微调能力增强：在多个下游任务上的微调结果显示，STU-Net 的预训练模型能够显著提高性能，超越从头开始训练的模型。

通过这些更新，STU-Net 进一步巩固了其在医疗图像分割领域的领先地位，为开源社区和医疗图像分析领域的研究人员提供了强大的工具。