MrGiovanni/AbdomenAtlas

解決的問題

AbdomenAtlas 解決了大規模醫學影像資料集手動標註所帶來的極高時間與人力成本問題。具體而言，它提供了一個包含 8,448 個 CT 體積（320 萬張切片）的大型資料集，涵蓋多器官標註，將如此規模資料的標註時間從原本預計的 30.8 年縮短至僅三週。

工作原理

本專案採用人機協同標註方法，結合 AI 模型以加速流程。提供在多個公開 CT 資料集上訓練的 Swin UNETR 和 U-Net 架構的預訓練檢查點。使用者可利用這些模型生成偽標籤，再根據優先順序系統（原始 > 修訂 > 偽）將原始標註、人工修訂標籤與偽標籤整合。

適用對象

專注於腹部器官分割與放射學中遷移學習的醫學影像研究人員及 AI 開發者。

主要亮點

• 大規模資料：涵蓋 8,448 個 CT 體積，涉及多個器官（脾臟、肝臟、腎臟、胃、膽囊、胰臟、主動脈與下腔靜脈）的標註。
• 高效標註：採用的方法可在三週內完成通常需要數十年人工努力的工作。
• 預訓練模型：提供可立即用於分割任務的 U-Net 與 Swin UNETR 檢查點。
• 支援主動學習：可選功能，用於生成注意力圖以指導人工標註者。