MIC-DKFZ/nnDetection

해결하는 문제

nDetection는 의료 영상 내 객체의 동시에 위치 파악과 분류를 수행하는 의료 객체 탐지 문제를 해결합니다. 기존에는 이 작업을 위한 방법 설정이 번거롭고 반복적인 과정이었습니다. nnDetection는 이 설정 과정을 자동화하여, 수동 개입 없이 다양한 의료 탐지 문제에 자동으로 적응할 수 있도록 하며, 최첨단 성능을 유지하거나 초과합니다.

작동 방식

nnU-Net의 철학을 따르며, nnDetection는 설정 과정을 체계화합니다. 다음과 같은 파이프라인을 사용합니다:

1. 계획 및 전처리: 시스템은 데이터셋의 특성을 분석하고 데이터를 정규화/재샘플링하여 학습을 위한 구성 '계획'을 생성합니다.
2. 학습: 자가 설정 아키텍처(예: RetinaUNet)를 사용하며 일반적으로 5겹 교차 검증 방식을 채택합니다.
3. 추론: 학습 후, 다양한 폴드의 모델을 통합하고 최적의 추론 설정을 찾기 위해 하이퍼파라미터 스위프를 수행할 수 있습니다.

프로젝트는 동적 설정을 위해 Hydra를 사용하고, 핵심 모듈에는 Pytorch Lightning을 사용하며, 증강, 데이터로더, 계획 모듈의 레지스트리를 통해 구성 요소를 쉽게 교체할 수 있습니다.

대상 사용자

CT 스캔과 같은 3D 의료 영상에서 객체를 탐지하고 분류해야 하는 의료 영상 연구자 및 임상의. 수동적인 하이퍼파라미터 조정과 방법 설정에 많은 시간을 들일 필요가 없습니다.

주요 특징

• 자기 설정형: 특정 의료 탐지 문제에 자동으로 적응합니다.
• 표준화된 인터페이스: 다양한 의료 데이터셋에 대해 일관된 입력 형식을 제공하여 새로운 데이터 통합이 용이합니다.
• 포괄적인 평가: ADAM 및 LUNA16과 같은 공개 벤치마크에서 효과성이 입증되었습니다.
• 확장 가능한 아키텍처: 계획 모듈, 모듈, 증강 처리를 위한 레지스트리 기반 시스템을 사용합니다.