放大 nnU-Net 以实现 CBCT 图像分割
计算机视觉与模式识别
2024-12-03 v2
摘要
本文提出了我们的方法，用于放大 nnU-Net 框架，以适用于 Cone Beam Computed Tomography (CBCT) 图像上的多结构分割，具体针对 ToothFairy2 挑战。我们采用 nnU-Net ResEnc L 模型，引入关键修改以调整 patch 大小、网络拓扑和数据增强策略，以应对牙科 CBCT 成像的独特挑战。我们的方法在测试集上实现了 Dice 系数均值为 0.9253 和 HD95 为 18.472，获得均第 4.6 名，从而在 ToothFairy2 挑战中获得第一名。源代码已公开，可鼓励进一步的研究与发展。
引用
@article{arxiv.2411.17213,
title = {Scaling nnU-Net for CBCT Segmentation},
author = {Fabian Isensee and Yannick Kirchhoff and Lars Kraemer and Maximilian Rokuss and Constantin Ulrich and Klaus H. Maier-Hein},
journal= {arXiv preprint arXiv:2411.17213},
year = {2024}
}
备注
Fabian Isensee and Yannick Kirchhoff contributed equally