MIC-DKFZ/nnDetection

解決的問題

nDetection 解決了醫學物件檢測的挑戰——即在醫學影像中同時進行物件的定位與分類。傳統上，配置此類任務的方法是一個繁瑣且迭代的過程。nnDetection 自動化了此配置過程，使系統能在無需人工干預的情況下適應任意醫學檢測問題，同時保持或超越最尖端性能。

如何運作

遵循 nnU-Net 的理念，nnDetection 系統化了配置流程。它使用一個包含以下步驟的管道：

1. 規劃與預處理：系統分析資料集屬性，並對資料進行歸一化／重採樣，以建立訓練用的配置「計畫」。
2. 訓練：使用自配置架構（如 RetinaUNet），通常採用五折交叉驗證方案。
3. 推論：訓練完成後，整合不同折的模型，並可執行超參數掃描以找到最佳推論設定。

本專案使用 Hydra 進行動態配置，核心模組採用 Pytorch Lightning，並透過註冊表支援增強、資料載入器與規劃器的靈活替換。

適用對象

需要在 3D 醫學影像（如 CT 掃描）中檢測與分類物件的醫學影像研究人員與臨床醫生，無需花費大量時間在手動超參數調校與方法配置上。

主要亮點

• 自配置：能自動適應特定的醫學檢測問題。
• 標準化介面：為各種醫學資料集提供一致的輸入格式，便於整合新資料。
• 全面評估：在 ADAM 與 LUNA16 等公開基準上驗證了有效性。
• 可擴展架構：採用基於註冊表的系統，支援規劃器、模組與增強方法的靈活擴展。