腹部多器官分割数据集不够咋办，需要数据发论文的看这里

重磅! A-Eval: 腹部多器官分割的跨数据集评估基准 尽管深度学习彻底改变了腹部多器官分割，但由于在小型特定数据集上进行训练，模型常常难以泛化。 随着最近大规模数据集的出现，出现了一些重要的问题: 在这些数据集上训练的模型能否在不同的数据集上很好地泛化? 如果是/否，如何进一步提高其普遍性? 为了解决这些问题，本文引入了 A-Eval，这是腹部 (“A”) 多器官分割的跨数据集评估 (“Eval”)的基准。 我们采用来自四个大型公共数据集的训练集: FLARE22、AMOS、WORD 和TotalSegmentator，每个数据集都为腹部多器官分割提供了广泛的标签。 为了进行评估，我们将这些数据集的验证集与 BTCV 数据集的训练集结合起来，形成一个包含五个不同数据集的强大基准。 我们使用 A-Eval 基准评估各种模型的通用性，重点关注不同的数据使用场景:独立训练单个数据集.通过伪标记利用未标记数据、混合不同模式以及跨所有可用数据集进行联合训练。此外，我们还探讨了模型大小对跨数据集泛化性的影响。 通过这些分析，我们强调了有效数据使用在增强模型泛化能力方面的重要性，为组装大规模数据集和改进训练策略提供了宝贵的见解。

论文地址：https://arxiv.org/abs/2309.03906 代码地址：https://github.com/uni-medical/A-Eval 需要进论文创新点群的，关注我私信我，进论文创新点群