qpuchen/nnUNet_att_position_correction

What it solves

本项目旨在解决医学影像中的 3D 牙齿分割挑战， specifically 专注于在标注数据稀缺时提升准确度。它提供了一种通过半监督学习来利用未标注数据的方法，并能纠正异常的分割点以优化最终输出结果。

How it works

该系统遵循多阶段流程：

1. Initial Training: 使用 5 折交叉验证在现有标注数据上训练标准的 nnU-Net。
2. Pseudo-Labeling: 训练后的模型会为未标注数据生成伪标签（pseudo-labels）。这些标签会通过移除在不同轮次中方差较大的低质量标签，进行迭代式地精炼与过滤。
3. Enhanced Architecture: 本项目引入了 nnUNet-att，将轴向注意力机制（axial attention）与位置修正整合进网络架构中，以提升分割精度。
4. Post-Processing: 使用专门的位置修正模块来纠正异常的分割点在最终结果中。

Who it’s for

此工具是为牙科 3D 分割研究人员与从业者，以及对医学影像分析中的半监督学习感兴趣的人士所设计的。

Highlights

• Semi-Supervised Approach: 使用迭代式伪标签流程来利用未标注数据集。
• Axial Attention: 使用轴向注意力机制增强标准 nnU-Net 架构，以获得更好的特征捕捉能力。
• Positional Correction: 包含一个专门的模块来根据空间位置纠正分割错误。
• Proven Performance: 在 MICCAI 2023 STS 挑战赛中获得第 5 名，在未见过的测试数据上取得了 81.47% 的分数。