hyenagatha02/level2_cv_semanticsegmentation-cv-17

level2_cv_semanticsegmentation-cv-17 created by GitHub Classroom

level2_cv_semanticsegmentation-cv-17_sixseg

Hand Bone Image Segmentation

- X-ray 이미지에서 사람의 뼈를 Segmentation 하는 인공지능 만들기

뼈는 우리 몸의 구조와 기능에 중요한 영향을 미치기 때문에, 정확한 뼈 분할은 의료 진단 및 치료 계획을 개발하는 데 필수적입니다.

Bone Segmentation은 인공지능 분야에서 중요한 응용 분야 중 하나로, 특히, 딥러닝 기술을 이용한 뼈 Segmentation은 많은 연구가 이루어지고 있으며, 다양한 목적으로 도움을 줄 수 있습니다.

이번 프로젝트를 통해 만들어진 우수한 성능의 모델은 질병 진단, 수술 계획, 의료 장비 제작, 의료 교육 등에 사용될 수 있을 것으로 기대됩니다. 🌎

Team Members

강대호 강정우 박혜나 서지훈 원유석 정대훈

실험 진행 순서

1. EDA
2. pretrained 모델 성능 테스트
   • (SMP) DeepLabV3 / MAnet / PAN / PSP / FPN / UnetPlusPlus
   • (mmseg) upernet / segformer / segmenter / Mask2former / HRNet
3. EDA 기반 실험
4. data augmentation
   • VFlip / HFlip / RandomCrop / RandomGamma / RandomContrast / RandomBrightness / Blurring / Sharpenong / Scale / Shift / Rotation / Shearing
5. 모델 성능 개선
   • Loss funtion / K-fold / Resize / Train data relabeling
6. Ensemble

최종 활용 모델

1. Unet++ (Resnet34)
2. Unet++ (Resnet152)
3. Unet++ (EfficientNetB5)
4. SegFormer
5. HRNet

Wrap-up Report

https://drive.google.com/file/d/1hN_A90BrdtJwqnJ7xcHaxt75cdXs7u5Y/view?usp=sharing

평가 Metric

• Dice coefficient

Dataset

• number of images : 1100
  • train : 800
  • test : 300 (public 50% + private 50%)
  • 한 사람 당 2장의 이미지 존재 (왼손, 오른손)
• number of class : 크게 손가락 / 손등 / 팔로 구성되며, 총 29개의 뼈 종류(class)가 존재
• labels : 'finger-1', 'finger-2', 'finger-3', 'finger-4', 'finger-5', 'finger-6', 'finger-7', 'finger-8', 'finger-9', 'finger-10', 'finger-11', 'finger-12', 'finger-13', 'finger-14', 'finger-15', 'finger-16', 'finger-17', 'finger-18', 'finger-19', 'Trapezium', 'Trapezoid', 'Capitate', 'Hamate', 'Scaphoid', 'Lunate', 'Triquetrum', 'Pisiform', 'Radius', 'Ulna'
• image size : (2048 x 2048), 3 channel

Input & Output

• Input
  • hand bone x-ray (png) : 한 사람 당 왼손, 오른손 총 2장의 이미지 제공
  • segmentation annotation (json) : segmentation mask가 points(polygon 좌표)로 제공
• Output
  • 각 pixel 좌표에 따른 class를 rle로 변환한 값 (csv)