MIC-DKFZ/nnDetection

解决的问题

nDetection 解决了医学物体检测的挑战——即在医学图像中同时进行物体的定位和分类。传统上，配置此类任务的方法是一个繁琐且迭代的过程。nnDetection 自动化了这一配置过程，使系统能够在无需人工干预的情况下适应任意医学检测问题，同时保持或超越最先进性能。

如何工作

遵循 nnU-Net 的理念，nnDetection 系统化了配置流程。它使用一个包含以下步骤的管道：

1. 规划与预处理：系统分析数据集属性，并对数据进行归一化/重采样，以创建训练用的配置「计划」。
2. 训练：使用自配置架构（如 RetinaUNet），通常采用五折交叉验证方案。
3. 推理：训练完成后，整合不同折的模型，并可执行超参数扫描以找到最佳推理设置。

该项目使用 Hydra 进行动态配置，核心模块采用 Pytorch Lightning，并通过注册表支持增强、数据加载器和规划器的灵活替换。

适用人群

需要在 3D 医学图像（如 CT 扫描）中检测和分类物体的医学影像研究人员和临床医生，无需花费大量时间在手动超参数调优和方法配置上。

主要亮点

• 自配置：能够自动适应特定的医学检测问题。
• 标准化接口：为各种医学数据集提供一致的输入格式，便于集成新数据。
• 全面评估：在 ADAM 和 LUNA16 等公开基准上验证了有效性。
• 可扩展架构：采用基于注册表的系统，支持规划器、模块和增强方法的灵活扩展。