🩻 HandBone X-Ray Segmentation

🔎 Project Overview

의료분야에서 Segmentation task는 진단 및 치료 계획을 개발하는 데 필수적이다. Bone Segmentation은 뼈의 형태나 위치가 변형되거나 부러지거나 골절 등이 있을 경우, 문제를 정확하게 파악하여 적절한 치료를 시행할 수 있다. 또한 수술 계획을 세우거나 의료 장비에 필요한 정보를 제공하고 교육 목적으로도 사용될 수 있다. 이번 프로젝트를 통해 뼈를 정확하게 Segmentation하는 모델을 개발함으로써 의료 분야에 다양한 목적으로 도움이 되고자 했다.

👨‍👨‍👧‍👦 Members

이름	github	맡은 역할
김보경	github	Baseline code 리팩토링, smp Model 구현 및 실험, Loss weight 실험, Optuna 구현, inference ensemble 구현
김정주	github	Augmentation 실험, Model 설계/성능 측정, Loss 설계/실험, Visualization 구축
양재민	github	Augmentation 실험, smp Model 구현 및 실험 Scratch Model 구현, inference ensemble 구현
임준표	github	Augmentation 실험, Model 구현 및 실험, inference augmentation, 학습 속도 가속화
정남교	github	kfold 구현, Optuna 구현, ensemble 구현, smp Model 구현 및 실험, augmentation 실험

📷 Dataset

• 이미지 크기 : (2048, 2048)

• 29 classes : 손가락 / 손등 / 팔로 구성
  • 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

🗂️ Structure

input/
|-- code
|   |-- adamp.py
|   |-- alarm.py
|   |-- app.py
|   |-- app_utils.py
|   |-- data_eda.ipynb
|   |-- dataset.py
|   |-- ensemble.py
|   |-- inference.py
|   |-- inference_kfold.py
|   |-- loss.py
|   |-- model.py
|   |-- requirements.txt
|   |-- train.py
|   |-- train_optuna.py
|   `-- wbf_ensemble.py
`-- data
    |-- test
    |   |-- DCM
    |   |   |-- ID040
    |   |   |   |-- image1.png
    |   |   |   `-- image2.png
    |   |   |-- ID041
            ...
    |   |   |-- ID550
    `-- train
        |-- DCM
        |   |-- ID001
        |   |   |-- image1.png
        |   |   `-- image2.png
        |   |-- ID002
            ...
        |   `-- ID548
        `-- outputs_json
            |-- ID001
            |   |-- image1.json
            |   `-- image2.json
            |-- ID002
            ...
            `-- ID548

📎 Experiment

• Baseline model Test
• Augmentation Test
• Loss Test
• Ensemble Test

실험 관련 세부사항은 랩업리포트 참고.

💡 Result

최종 제출 모델

Model	Dice Score
FCN_ResNet101	0.9605
HRNetV2_W48	0.9707
DeepLabPlus_HRNet	0.9699
MANet	0.9510
Ensemble	0.9721

리더보드 결과

Public : 0.9721 -> Private : 0.9728

❓ How to use

Install Requirements

pip install -r requirement.txt

train

python train.py --seed {seed} --epochs {epochs} --batch_size {batch_size} --wandb {1:save, 0:not save}} --lr {learning rate} --val_every {random int} --saved_dir {save directory} --model {model name} --loss {BCE rate, Dice rate, IoU rate}

inference

python inference.py/inference_kfold.py --saved_dir {save directory} --model {model name}