MrGiovanni/AbdomenAtlas

解决的问题

AbdomenAtlas 解决了大规模医学影像数据集手动标注所带来的时间和人力成本极高的问题。具体而言，它提供了一个包含 8,448 个 CT 体积（320 万张切片）的大型数据集，涵盖多器官标注，将如此大规模数据的标注时间从原本预计的 30.8 年缩短至仅三周。

工作原理

该项目采用人机协同标注方法，结合 AI 模型以加速流程。它提供了在多个公开 CT 数据集上训练的 Swin UNETR 和 U-Net 架构的预训练检查点。用户可以使用这些模型生成伪标签，然后根据优先级系统（原始 > 修订 > 伪）将原始标注、人工修订标签与伪标签进行整合。

适用人群

专注于腹部器官分割和放射学中迁移学习的医学影像研究人员及 AI 开发者。

主要亮点

• 大规模数据：涵盖 8,448 个 CT 体积，涉及多个器官（脾脏、肝脏、肾脏、胃、胆囊、胰腺、主动脉和下腔静脉）的标注。
• 高效标注：采用的方法可在三周内完成通常需要数十年人工努力的工作。
• 预训练模型：提供可立即用于分割任务的 U-Net 和 Swin UNETR 检查点。
• 支持主动学习：可选功能，用于生成注意力图以指导人工标注者。