Die folgenden Experimente wurden im Pytorch-Framework durchgeführt. Die Modelle wurden trainiert, bis sie konvergierten. Die berichteten Dice-Werte wurden ermittelt, indem der Dice-Wert für jedes MRT-Scan berechnet und dann über die MRT-Scans mittelt wurde.
Im ersten Experiment wurden Konfigurationen getestet, um die besten Einstellungen für spätere Experimente zu finden. Dies umfasste die Kapazität der Modelle, die Datenaugmentierungsstrategie, die Vorverarbeitungsmethode und die Komponenten der Modelle. Die MRT-Bilder wurden von 320×290 auf 320×288 verkleinert, um mit den 4 Schichten des 2×2-Max-Poolings kompatibel zu sein. Es wurde ein Poly-Lernratenplan mit den Einstellungen \(\beta _{1} = 0.9, \beta _{2} = 0.999\) und einem initialen Lernraten von 0.001 verwendet.
Es wurden Experimente mit verschiedenen Kapazitäten und Datenaugmentierungsstrategien durchgeführt, wobei 16 Filter (1,7 Millionen Parameter) mit Aug 3 das beste Ergebnis erzielten. Sowohl im Hinblick auf die Kapazität als auch die Datenaugmentierung war dieses Setup den anderen überlegen.
Zur Bestimmung der besten Vorverarbeitungsmethode für die 2D U-Net-Modelle wurden verschiedene Methoden getestet. Die Methode “Clip 99” erzielte den besten durchschnittlichen Dice-Wert und wurde daher als Vorverarbeitungsmethode für spätere Experimente ausgewählt.
Zur Bestimmung der besten Komponenten für die Modelle wurden verschiedene Aktivierungen, Normalisierungsschichten und Verbindungen getestet. Die Kombination von GeLu, Residual und Groupnorm zeigte sich als die beste Wahl und wurde für spätere Experimente festgelegt.
Die Ergebnisse der 2D- und 3D-U-Nets sowie anderer Modelle wurden verglichen. Es wurde festgestellt, dass der 2D U-Net besser abschnitt als die 3D U-Nets mit 16 Filtern, aber nicht besser als die 3D U-Nets mit 8 Filtern.
Für den Semi-überwachten Ansatz wurden zwei Methoden getestet: die maskierte Bildmodellierung und die Bildrekonstruktion. Es wurde festgestellt, dass die maskierte Bildmodellierung für das Swinv2 UNETR-Modell eine leichte Verbesserung brachte, während die Bildrekonstruktion für das 2D U-Net keine signifikante Verbesserung brachte.
Verschiedene mehrstufige Methoden wurden ebenfalls getestet, wie z.B. das Hybridmodell, das das 2D U-Net und das 3D U-Net kombinierte. Diese Methode führte zu einer leichten Verbesserung im Vergleich zum Standard-2D U-Net, war aber nicht signifikant.