MedNeXt

收录理由

临床CT和MRI分割常受限于标注数据稀缺，德国癌症研究中心发布的MedNeXt正是为这种稀疏标注场景设计的全卷积3D架构。它沿用ConvNeXt模块设计并扩展到体数据，让多类别分割在无需大量标注扫描的情况下也能获得稳健的基线性能。代码以PyTorch模块形式提供，你可以直接嵌入完整网络或单独使用其中的模块，保持自己的训练流程；也可以套用仓库内置的、源自MICCAI 2023论文的nnU-Net训练管线。模型从轻量到重量级有多档变体，还支持梯度检查点，对显存有限的设备比较友好。对于需要可复现起点的研究者和小型医学影像团队，这是一个值得认真考虑的选项。