脑卒中已成为全球健康的重要负担，因此我们需要采取治疗措施和预防策略来应对这一挑战。为此，临床医生的首要任务是立即识别脑卒中并进行风险分层。为了辅助专家临床医生，自动分割模型至关重要。在本研究中，我们使用公开可用的数据集ATLAS v2.0对多种端到端监督的U-Net风格模型进行了基准测试。具体而言，我们在2D和3D脑图像上对这些模型进行了基准测试，并使用标准指标对其性能进行了评估。我们分别在基于2D Transformer （transformer）的模型上获得了最高的Dice分数0.583，在3D残差U-Net上获得了0.504的Dice分数。此外，我们对3D模型进行了Wilcoxon检验，以探讨预测卒中体积与实际卒中体积之间的关系。为了确保可重复性，代码和模型权重已公开发布：https://github.com/prantik-pdeb/BeSt-LeS。