qpuchen/nnUNet_att_position_correction

What it solves

이 프로젝트는 의료 영상에서의 3D 치아 세그멘테이션의 과제를 해결하며, 특히 레이블이 지정된 데이터가 부족할 때의 정확도를 높이는 데 중점을 둡니다. 준지도 학습을 통해 레이블이 없는 데이터를 활용하고, 비정상적인 세그멘테이션 포인트를 수정하여 최종 출력물을 정계화합니다.

How it works

시스템은 다단계 파이프라인을 따릅니다:

1. Initial Training: 사용 가능한 레이블 데이터로 5-fold cross-validation을 사용하여 표준 nnU-Net을 훈련합니다.

2. Pseudo-Labeling: 훈련된 모델이 레이블이 없는 데이터에 대해 의사 레이블(pseudo-labels)을 생성합니다. 이 레이블들은 여러 라운드에 걸쳐 분산이 큰 저품질 레이블을 제거함으로써 반복적으로 정제 및 필터링됩니다.

3. Enhanced Architecture: 이 프로젝트는 축향 어텐션(axial attention)과 위치 수정 기능을 네트워크 아키텍처에 통합하여 세그멘테이션 정밀도를 향상시키는 nnUNet-att를 도입합니다.

4. Post-Processing: 최종 결과에서 비정상적인 세그멘멘테이션 포인트를 수정하기 위해 전용 위치 수정 모듈이 적용됩니다.

Who it’s for

이 도구는 치과 3D 세그멘테이션 연구자 및 실무자, 그리고 의료 영상 분석을 위한 준지도 학습에 관심이 있는 사람들을 위해 설계되었습니다.

Highlights

• Semi-Supervised Approach: 반복적인 의사 레이블링 프로세스를 사용하여 레이블이 없는 데이터셋을 활용합니다.
• Axial Attention: 표준 nnU-Net 아키텍처를 강화하여 더 나은 특징 캡처를 가능하게 합니다.
• Positional Correction: 공간적 위치를 기반으로 세그멘테이션 오류를 수정하는 특정 모듈을 포함합니다.
• Proven Performance: MICCAI 2023 STS 챌린지에서 미지의 테스트 데이터에 대해 81.47%의 점수를 기록하며 5위를 차지했습니다.