qpuchen/nnUNet_att_position_correction

What it solves

本プロジェクトは、医学影像における 3D 歯のセグメンテーションの課題に対処しており、特にラベル付きデータが不足している場合の精度向上に焦点を当てています。半監督学習を用いて未ラベルデータを利用し、異常なセグメンテーション・ポイントを修正することで、最終的な出力結果を洗練練化します。

How it works

システムは多段階のパイプラインに従います：

1. Initial Training: 利用可能なラベル付きデータを用いて、5-fold cross-validation を行い、標準的な nnU-Net を訓練します。

2. Pseudo-Labeling: 訓練済みモデルが未ラベルデータに対して擬似ラベル（pseudo-labels）を生成します。これらのラベルは、異なる回数で分散が大きすぎる低品質なラベルを、除去することで、反復的に精錬・フィルタリングされます。

3. Enhanced Architecture: 本プロジェクトは、軸向アテンション（axial attention）をネットワーク・アーキテクチャに組み込み、セグメンテーション精度を向上させる nnUNet-att を導入します。

4. Post-Processing: 最終結果における異常なセグメンテーション・ポイントを修正するために、専用の位置修正モジュールが適用されます。

Who it’s for

本ツールは、歯科 3D セグメンテーションの研究者や実務家、および医学影像分析における半監督学習に関心のある人々に向けて設計されています。

Highlights

• Semi-Supervised Approach: 反復的な擬似ラベル生成プロセスを用いて、未ラベルデータセットを利用します。

• Axial Attention: 標準的な nnU-Net アーキテクチャを強化し、より良い特徴量捕捉を可能にします。

• 挑战/Highlights/Positional Correction: 位置修正モジュールを含み、空間的な位置に基づいてセグメンテーション・エラーを修正します。

• Proven Performance: MICCAI 2023 STS チャレンジにおいて、未知のテストデータに対して 81.47% のスコアで第 5 位にランクインしました。