A comparative analysis of deep learning models for lung segmentation on X-ray images

在医学影像中，X光的肺部分割鲁棒性和高精度至关重要。本研究评估了深度学习解决方案来完成这项任务，对现有方法进行排名，并分析它们在不同图像修改下的表现。在61篇分析的论文中，只有9篇提供了实现或预训练模型，使得能够评估三种突出方法：Lung VAE、TransResUNet和CE-Net。分析表明，CE-Net表现最佳，展示了Dice相似系数和交叉联合指标中最高的值。

评估深度学习方法在X射线肺部分割中的表现，比较不同方法的性能和鲁棒性，并探讨图像修改对模型性能的影响。

论文评估了61篇论文，选取了9篇提供实现或预训练模型的论文，比较了Lung VAE、TransResUNet和CE-Net三种方法的性能。结果表明CE-Net的性能最优，Dice相似系数和交并比指标均最高。

论文使用了多种数据增强技术和不同的评价指标来评估模型性能，同时提供了一个可重复的实验框架。此外，论文还提供了3种深度学习方法的预训练模型和代码，并对模型的可解释性进行了分析。

最近的相关研究包括：1.《Lung Segmentation in Chest Radiographs Using Deep Learning: A Comprehensive Review》；2.《A Novel Deep Learning-Based Method for Lung Segmentation in Chest Radiographs》；3.《Automated lung segmentation in X-ray computed tomography: a systematic evaluation of the state of the art》等。