qpuchen/nnUNet_att_position_correction

What it solves

這項專案旨在解決醫學影像中的 3D 牙齒分割挑戰，特別著重於在標記數據稀缺時提升準確度。它提供了一種透過半監督式學習來利用未標記數據的方法，並能修正異常的分割點以優化最終輸出結果。

How it works

該系統遵循多階段流程：

1. Initial Training: nnU-Net 會使用 5 折交叉驗證在現有的標記數據上進行標準訓練。
2. Pseudo-Labeling: 訓練後的模型會為未標記數據生成偽標籤（pseudo-labels）。這些標籤會透過移除在不同輪次中變異數較高的低品質標籤，進行迭代式地精煉與過濾。
3. Enhanced Architecture: 本專案引入了 nnUNet-att，將軸向注意力機制（axial attention）與位置修正整合進網路架構中，以提升分割精確度。
4. Post-Processing: 使用專門的位置修正模組來修正最終結果中的異常分割點。

Who it’s for

此工具是為牙科 3D 分割研究人員與從業者，以及對醫學影像分析中的半監督式學習感興趣的人士所設計的。

Highlights

• Semi-Supervised Approach: 使用迭代式偽標籤流程來利用未標記數據集。
• Axial Attention: 增強標準 nnU-Net 架構，以獲得更好的特徵捕捉能力。
• Positional Correction: 包含一個專門的模組來根據空間位置修正分割錯誤。
• Proven Performance: 在 MICCAI 2023 STS 挑戰賽中獲得第 5 名，在未見過的測試數據上取得了 81.47% 的分數。