MrGiovanni/SyntheticTumors

解決的問題

本專案解決了訓練AI模型進行腫瘤分割時，標註醫學資料稀缺的問題。透過生成高度逼真的肝臟與胰臟腫瘤，使AI模型能在不依賴昂貴且耗時的真實醫學影像手動標註的情況下進行訓練。

作用方式

本專案採用創新合成策略，生成在視覺上與真實腫瘤無法區分（通過「視覺圖靈測試」）的合成腫瘤。這些合成影像隨後用於訓練分割模型（如UNet與Swin-UNETR），這些模型在應用於真實腫瘤分割任務時，表現可與在真實資料上訓練的模型相媲美。

適用對象

專注於器官分割與癌症檢測的醫學影像研究人員與AI開發者，特別是針對肝臟與胰臟腫瘤的研究。

主要亮點

• 無標籤訓練：無需大量手動標註的真實腫瘤資料，即可訓練AI模型。
• 高真實感：合成腫瘤設計得與真實腫瘤在視覺上極為相似，甚至能欺騙人類觀察者。
• 模型相容性：提供多種架構（包括UNet與不同尺寸的Swin-UNETR（Base、Small、Tiny））的預訓練模型與訓練腳本。
• 跨器官應用：在肝臟與胰臟癌的檢測與定位中均表現出有效性。