MIC-DKFZ/nnDetection

何を解決するか

nDetectionは、医療画像における物体検出の課題——すなわち、医療画像内の物体の同時局所化と分類——に対処します。従来、このタスクのための手法を設定するには煩雑で反復的なプロセスが必要でした。nnDetectionはこの設定プロセスを自動化し、手動による介入なしに任意の医療検出問題に適応できるようにし、同時に最先端の性能を維持または上回ります。

どう動くか

nnU-Netの哲学に従い、nnDetectionは設定プロセスを体系化しています。以下のパイプラインを使用します：

1. 計画と前処理：システムはデータセットの特性を分析し、データを正規化・再サンプリングしてトレーニング用の「計画」を生成します。
2. トレーニング：自己設定アーキテクチャ（例：RetinaUNet）を活用し、通常5分割交差検証方式を採用します。
3. 推論：トレーニング後、異なるfoldのモデルを統合し、最適な推論設定を見つけるためにハイパーパラメータスイープを実行できます。

本プロジェクトでは、動的設定にHydraを使用し、コアモジュールにはPytorch Lightningを採用。増強、データローダー、計画モジュールのレジストリを用いて、コンポーネントの簡単に交換が可能です。

対象ユーザー

3D医療画像（例：CTスキャン）において物体を検出・分類する必要がある医療画像研究者や臨床医。手動でのハイパーパラメータ調整や手法設定に膨大な時間を費やす必要がありません。

特徴

• 自己設定型：特定の医療検出問題に自動的に適応します。
• 標準化インターフェース：さまざまな医療データセットに対して一貫した入力フォーマットを提供し、新しいデータの統合が容易です。
• 包括的な評価：ADAMやLUNA16などの公開ベンチマークで有効性が実証されています。
• 拡張可能なアーキテクチャ：レジストリベースのシステムにより、計画モジュール、モジュール、増強処理を簡単に拡張できます。