Pipeline hiện dùng nnU-Net để định vị ROI pericardium (rồi phép tính HU deterministic ra EAT). Trang này so sánh các CNN/segmentation-3D có thể thay thế được, theo hai trục: độ chính xác (benchmark công khai) và khả năng triển khai edge (export TensorRT, tốc độ/RAM trên Jetson/GB10, độ bền trên nhãn silver ít/nhiễu).
| Trục | Tiêu chí | Vì sao quan trọng ở đây |
|---|---|---|
| Độ chính xác | Dice/benchmark 3D (BTCV, AMOS, MSD, BraTS) | Chỉ mang tính tương đối — task này bị chặn bởi nhãn, không phải model |
| Độ bền trên nhãn ít / nhiễu (silver) | Ta chỉ có silver label; model data-hungry sẽ overfit/nhiễu | |
| Triển khai edge | Export ONNX → TensorRT | Mục tiêu chạy on-device (Jetson); transformer thường vướng op attention |
| Tốc độ / RAM inference | Edge có giới hạn; ảnh hưởng thời gian/ca | |
| Tích hợp & self-config | nnU-Net tự cấu hình; tái dùng được preprocess + pipeline TRT sẵn có |
| Kiến trúc | Loại | Chính xác | Params* | Tốc độ edge | TRT export | Bền silver/ít data | Self-config | Ghi chú |
|---|---|---|---|---|---|---|---|---|
| nnU-Net 3d_fullres | CNN U-Net | A | ~30M | Trung bình | Dễ | Tốt | ✅ Auto | Đang dùng. Baseline SOTA thực chiến; đã verify TRT FP16 (Jetson) |
| nnU-Net 3d_lowres | CNN U-Net | A | ~30M | Nhanh (~3×) | Dễ | Tốt | ✅ Auto | Volume nhỏ ~8× → inference nhanh, Dice tương đương/hơn. Ứng viên edge tốt nhất trong họ |
| SegResNet (MONAI) | CNN ResNet-enc | A− | ~4–20M | Nhanh | Dễ | Tốt | ⚙ MONAI | Nhẹ, op thuần CNN → TRT mượt. Ứng viên edge gọn nhẹ; kém nnU-Net chút về biên |
| MedNeXt | ConvNeXt-U-Net | A+ | ~10–60M | Chậm hơn | Vừa | Tốt | ✅ (nnU-Net FW) | Thường > nnU-Net về Dice. Chạy TRONG framework nnU-Net → drop-in. Depthwise/GRN op TRT OK phần lớn |
| STU-Net | CNN U-Net (scalable) | A+ | 14M–1.4B | Tùy biến | Dễ | Rất tốt | ✅ (nnU-Net FW) | Pretrained trên TotalSegmentator → transfer learning; biến thể S/B nhẹ cho edge. Thuần CNN → TRT dễ |
| Attention U-Net | CNN + attn-gate | A− | ~30M | Trung bình | Dễ | Tốt | ⚙ | Attention-gate (không phải self-attention) → TRT OK. Lợi ích biên nhỏ so nnU-Net |
| UNet++ | CNN nested | A− | ~9–35M | Chậm hơn | Vừa | Tốt | ⚙ | Dense skip + deep supervision; nặng bộ nhớ hơn, lợi ích không rõ trên task 1 lớp |
| V-Net / 3D U-Net | CNN cổ điển | B+ | ~10–45M | Nhanh–TB | Dễ | Tốt | ✖ thủ công | Đơn giản, dễ export. nnU-Net thực chất là bản "auto + tuned" của chúng → không có lý do quay lại |
| UNETR | ViT-enc + CNN-dec | A− | ~92M | Chậm/nặng | Khó | Kém | ⚙ MONAI | ViT cần nhiều data; self-attention → TRT cần opset/plugin. Overkill cho ROI proxy |
| Swin UNETR | Swin-Transformer | A+ | ~62M | Chậm/nặng | Khó | TB | ⚙ MONAI | Trần benchmark cao (BTCV/BraTS) nhưng window-attention + roll → TRT vướng (cần plugin). Có pretrain |
| nnFormer | Hybrid CNN-Transformer | A | ~150M | Chậm/nặng | Khó | TB | ✖ | Mạnh trên benchmark, rất nặng; export + edge đều khó. Không hợp on-device |
| TotalSegmentator | = nnU-Net (bên dưới) | A | ~30M | Trung bình | Dễ | Tốt | ✅ | Đang dùng để sinh silver label (segment tim). Chính là nnU-Net đóng gói sẵn model |
*Params là khoảng điển hình theo cấu hình; thay đổi theo patch size / số kênh. Cột "Chính xác" là tương đối theo benchmark công khai (không phải đo trên task pericardium này).
nnU-Net, SegResNet, V-Net, 3D U-Net, Attention U-Net
MedNeXt, STU-Net
UNETR, Swin UNETR, nnFormer
| Mục tiêu | Chọn | Lý do |
|---|---|---|
| Giữ ổn định, đã verify | nnU-Net 3d_fullres/lowres (hiện tại) | Đã tích hợp + TRT-verified; đủ tốt để thay hull ở inference |
| Nhanh nhất trên edge | nnU-Net 3d_lowres hoặc SegResNet | Volume nhỏ / model nhẹ; op CNN → TRT mượt |
| Nhích độ chính xác, vẫn export dễ | MedNeXt-S hoặc STU-Net-S/B | Drop-in trong nnU-Net FW; STU-Net thêm transfer từ TotalSegmentator |
| Chạy theo SOTA Dice | Swin UNETR (thận trọng) | Chỉ khi đã có gold label + data lớn; chấp nhận TRT khó + nặng |
| Cải thiện EAT lâm sàng thật | ❗ Gold pericardium label, không phải đổi kiến trúc | Nút thắt là nhãn (over-inclusion 1.6×), mọi model đều học lại sai lệch này |
-tr (trainer) /
plans, tái dùng nguyên bộ preprocessed .b2nd + đường export ONNX→TRT đã có. Nên có thể so sánh trực tiếp với
nnU-Net baseline trên chính cohort 1000 ca này mà gần như không đổi pipeline. SegResNet/UNETR/Swin-UNETR thì qua MONAI (khác pipeline hơn).