MrGiovanni/SyntheticTumors

解决的问题

本项目解决了用于训练AI模型进行肿瘤分割的标注医学数据稀缺的问题。通过生成高度逼真的肝脏和胰腺肿瘤，使AI模型能够在不依赖昂贵且耗时的真实医学图像手动标注的情况下进行训练。

工作原理

该项目采用创新的合成策略，生成在视觉上与真实肿瘤无法区分（通过“视觉图灵测试”）的合成肿瘤。这些合成图像随后用于训练分割模型（如UNet和Swin-UNETR），这些模型在应用于真实肿瘤分割任务时，性能可与在真实数据上训练的模型相媲美。

适用人群

专注于器官分割和癌症检测的医学影像研究人员及AI开发者，特别是针对肝脏和胰腺肿瘤的研究。

主要亮点

• 无标签训练：无需大量手动标注的真实肿瘤数据，即可训练AI模型。
• 高真实感：合成肿瘤设计得与真实肿瘤在视觉上极为相似，甚至能欺骗人类观察者。
• 模型兼容性：提供多种架构（包括UNet和不同尺寸的Swin-UNETR（Base、Small、Tiny））的预训练模型和训练脚本。
• 跨器官应用：在肝脏和胰腺癌的检测与定位中均表现出有效性。