MrGiovanni/SyntheticTumors

해결하는 문제

이 프로젝트는 종양을 세그멘테이션하는 AI 모델을 훈련시키기 위한 레이블이 붙은 의료 데이터의 부족을 해결합니다. 고도로 현실적인 간 및 췌장 종양을 합성함으로써, 실제 의료 영상에서 비용이 많이 들고 시간이 오래 걸리는 수동 레이블에 의존하지 않고도 AI 모델을 훈련시킬 수 있습니다.

작동 방식

이 프로젝트는 시각적으로 실제 종양과 구분이 불가능한(시각적 튜링 테스트를 통과하는) 합성 종양을 생성하는 혁신적인 합성 전략을 사용합니다. 이러한 합성 이미지는 UNet 및 Swin-UNETR와 같은 세그멘테이션 모델을 훈련하는 데 사용되며, 실제 데이터로 훈련된 모델과 유사한 성능을 보이는 실제 종양 세그멘테이션 작업에 적용할 수 있습니다.

대상 사용자

간 및 췌장 종양에 초점을 맞춘 장기 세그멘테이션 및 암 검출에 주력하는 의료 영상 연구자 및 AI 개발자.

주요 특징

• 레이블 없이 훈련 가능: 대량의 수동 레이블이 붙은 실제 종양 데이터가 필요 없이 AI 모델을 훈련할 수 있습니다.
• 고도의 현실성: 합성 종양은 실제 종양과 시각적으로 매우 유사하여 인간 관찰자조차도 구분하기 어려울 정도입니다.
• 모델 호환성: UNet 및 다양한 크기의 Swin-UNETR(Base, Small, Tiny)을 포함한 여러 아키텍처에 대한 사전 훈련된 모델과 훈련 스크립트를 제공합니다.
• 다기관 적용 가능: 간 및 췌장 암 검출 및 위치 추정에 모두 효과적인 것으로 입증되었습니다.