「マルチプレーナーUNet：すべての3Dセグメンテーションタスクに対応した1つのUNet（データが少ない場合でも）- ローコードアプローチ」

「マルチプレーナーUNet：データが少なくても、すべての3Dセグメンテーションタスクに対応するローコードアプローチ」

博士課程を開始した後、最初の実世界の医療画像セグメンテーションプロジェクトは、膝MRIセグメンテーションでした。トレーニングと検証にはわずか39枚のラベル付きMRI画像と、最終テストセットには20枚のラベル付き画像しかありませんでした。さらに、私の指導教官は次のように付け加えました:

“セグメンテーションモデルがテストされる非ラベル付き画像はほぼ200枚あります”

会議後、私は机に座り、今何をすべきかと考えました 😧 ? 39枚の画像は非常に少ないので、みんながやるようにUNetでベースライン結果を確立することから始めました。シンプルな3D UNetで実験し、いくつかのトレーニングイテレーションを通じてハイパーパラメータを微調整した結果、検証diceスコアが0.65にピークに達しました。Res UNetやAttention UNetなどの他のUNetのバリエーションは、限られたデータセットでは複雑なモデルが効果的になるため、単純な3D UNetのパフォーマンスには及びませんでした。

次の対面会議で、私はその結果を指導教官に見せました。彼はそれらを見てにっこり笑い、MPUNet（Multi-planar UNet）というUNetの進化版を見てみるように私に頼みました。この素晴らしいライブラリは、Mathias Perslev、Erik Dam、Akshay Pai、Christian Igelによって作成されました。詳細については、こちらをご覧ください：https://doi.org/10.1007/978-3-030-32245-8_4。

• カスタムデータセットのセグメンテーションにおけるDINOv2 総合的なチュートリアル.
• 画像埋め込みのためのトップ10の事前訓練モデル、データサイエンティストが知っておくべきもの
• データサイエンス面接のためのトップ7の必須チートシート

インストールに少し（たぶんかなり 😅）苦労しました（PythonとTensorFlowの特定のバージョンが必要です）、最終テストのdiceスコアが0.80以上になったのを見て驚きました 😎。この論文はまだ分析段階ですが、発表されたら共有します。ですので、データが少なく、良いdiceスコアが得られなくて苦労している場合は、素晴らしい方法と攻略法があります。また、インストールと動作のために何時間も費やす必要もありません 🙂

攻撃計画

1. MultiPlanar UNetの動作確認。
2. ライブラリのインストール方法。
3. 使用方法は？

MultiPlanar UNetの動作確認:

MPUNetを適用する前に、動作確認をしてみましょう。MPUNetには3つの主要な部分があります:

データ生成：

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!