Scaling nnU-Net for CBCT Segmentation

要約

この論文では、特に ToothFairy2 チャレンジの範囲において、コーンビームコンピュータ断層撮影 (CBCT) 画像上の複数構造セグメンテーションのための nnU-Net フレームワークをスケーリングするためのアプローチを紹介します。
私たちはnnU-Net ResEnc Lモデルを活用し、パッチサイズ、ネットワークトポロジー、データ増強戦略に重要な変更を導入して、歯科用CBCTイメージング特有の課題に対処しました。
私たちの方法は、テストセットで平均ダイス係数 0.9253 および HD95 18.472 を達成し、平均ランク 4.6 を確保し、ToothFairy2 チャレンジで 1 位を獲得しました。
ソース コードは公開されており、この分野でのさらなる研究と開発が促進されます。

要約(オリジナル)

This paper presents our approach to scaling the nnU-Net framework for multi-structure segmentation on Cone Beam Computed Tomography (CBCT) images, specifically in the scope of the ToothFairy2 Challenge. We leveraged the nnU-Net ResEnc L model, introducing key modifications to patch size, network topology, and data augmentation strategies to address the unique challenges of dental CBCT imaging. Our method achieved a mean Dice coefficient of 0.9253 and HD95 of 18.472 on the test set, securing a mean rank of 4.6 and with it the first place in the ToothFairy2 challenge. The source code is publicly available, encouraging further research and development in the field.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google