Empfehlungen für CNN-basierte Modelle zur Durchführung einer volumetrischen Analyse medizinischer Bilder (Onkologie-Anwe ⇐ Python

[Anonymous]

Ich beginne mit der Arbeit an einem medizinischen Bildgebungsprojekt im Bereich Onkologie, das sich speziell auf die Analyse von Brustkrebs konzentriert.
Mein Ziel ist es, ein Deep-Learning-Modell mit Convolutional Neural Networks (CNNs) zu erstellen, das direkt erfasste Bilder (medizinische Bilder wie MRT, CT oder hochauflösende klinische Bilder) verarbeiten kann, um:

• Durchzuführen Segmentierung von Tumoren oder Regionen von Interesse
• Berechnung volumetrischer Messungen
• Unterstützung klinischer Entscheidungsfindung für Mastologen und Radiologen

Ich möchte um Empfehlungen bitten zu:

• CNN-Architekturen oder Deep-Learning-Modelle, die sich gut für die volumetrische Analyse in der Onkologie eignen (z. B. 2D- oder 3D-CNNs).
• Gibt an, ob Modelle wie U-Net, 3D U-Net, V-Net, nnU-Net oder Mask R-CNN für diese Art von Aufgabe geeignet sind.
• Best Practices bei der Arbeit mit medizinischen Bilddatensätzen (Annotationsstrategien, Vorverarbeitung, Normalisierung und Erweiterung).
• Tools oder Frameworks, die häufig in Produktions- oder Forschungsumgebungen verwendet werden (z. B. PyTorch, TensorFlow, MONAI).

Ich interessiere mich besonders für Modelle, die volumetrische Daten verarbeiten können und zuverlässige Messungen liefern, die in einem echten klinischen Arbeitsablauf nützlich sein könnten.
Jede Anleitung, Referenzen oder Erfahrungen aus der Praxis wären sehr dankbar.