🦴 Hand Bone Image Segmentation

(이미지 출처 : Wikipedia)

✏️ Introduction

Bone Image Segmentation은 인공지능 분야에서 중요한 응용 분야 중 하나로, 골절 진단, 성장 평가, 수술 계획 등 다양한 의료 분야에 활용될 수 있습니다. 해당 대회는 제공된 X-ray 손 뼈 이미지에서 29개의 뼈를 분할하는 AI 모델을 개발하는 것을 목표로 합니다. 대회의 성능은 Semantic Segmentation task에서 대표적으로 사용되는 dice coefficient로 평가됩니다.

📅 Schedule

프로젝트 전체 일정

• 2024.11.13 ~ 2024.11.28

프로젝트 세부일정

🥈 Result

Private 리더보드에서 최종적으로 아래와 같은 결과를 얻었습니다.

🗃️ Dataset Structure

dataset/
├── meta_data.xlsx
├── test
│   └── DCM
│       ├── ID040
│       │   ├── image1661319116107.png
│       │   └── image1661319145363.png
│       └── ID041
│           ├── image1661319356239.png
│           └── image1661319390106.png
└── train
    ├── DCM
    │   ├── ID001
    │   │   ├── image1661130828152_R.png
    │   │   └── image1661130891365_L.png
    │   └── ID002
    │       ├── image1661144206667.png
    │       └── image1661144246917.png
    └── outputs_json
        ├── ID001
        │   ├── image1661130828152_R.json
        │   └── image1661130891365_L.json
        └── ID002
            ├── image1661144206667.json
            └── image1661144246917.json

데이터셋은 한 사람의 양 손을 촬영한 X-Ray 이미지이며, 하나의 ID에 한 사람에 대한 오른손 및 왼손의 이미지가 들어있습니다. 각 이미지는 의학적으로 분류된 손 뼈 29가지의 클래스를 가지며, 2048x2048 크기의 train 이미지 800장, test 이미지 288장으로 구성됩니다.

또한, 각 ID에 해당하는 사람의 나이, 성별, 체중, 신장에 대한 Meta_data가 xlsx로 주어집니다.

Train json

Train json 파일은 각 이미지에 대한 annotations이 포함되며, id, type, attributes, points, label로 구성되어 있습니다.

• Images

    {"annotations": [{
        "id": "id", 
        "type": "poly_seg", 
        "attributes": {}, 
        "points": [[[10, 20], [30, 40], ... ]], 
        "label": "finger-1"} 
        ...]}

  • ⚠️ 데이터 보안상의 문제로 ID와 Points는 임의로 작성되었습니다.

⚙️ Requirements

env.

이 프로젝트는 Ubuntu 20.04.6 LTS, CUDA Version: 12.2, Tesla v100 32GB의 환경에서 훈련 및 테스트되었습니다.

Installation

이 프로젝트에서는 다양한 라이브러리가 필요합니다. 아래 단계를 따라 필요한 라이브러리를 설치하세요.

1. PyTorch 설치

PyTorch 2.1.0을 설치합니다. 설치 방법은 PyTorch 공식 웹사이트를 참고하세요.

2. 프로젝트 의존성 설치

다음 명령어를 실행하여 프로젝트를 클론하고 필요한 의존성을 설치합니다:

git clone https://github.com/boostcampaitech7/level2-cv-semanticsegmentation-cv-04-lv3.git
cd level2-cv-semanticsegmentation-cv-04-lv3
pip install -r requirements.txt

🎉 Project

1. Structure

Project
├── base_config.yaml
├── config
│   ├── config.py
├── data
│   ├── augmentation.py
│   └── dataset.py
├── eda_and_visualization
│   ├── confusion_matrix.py
│   ├── EDA.ipynb
│   └── visualize_csv.ipynb
├── ensemble.py
├── ensembles
│   ├── hard_voting.py
│   ├── __init__.py
│   └── soft_voting.py
├── error_analysis
│   ├── analysis_from_wandb.ipynb
│   ├── analysis_smp_encoder_decoder.ipynb
│   ├── confusion_matrix.py
│   ├── error_analysis.py
│   └── evaluation.py
├── experiments
│   ├── completed
│   │   ├── 10_completed_resnext101_32x8d.yaml
│   │   ├── .....
│   ├── ensemble.yaml
│   ├── README.md
├── inference.py
├── inference.sh
├── mmsegmentation
├── models
│   ├── base_model.py
│   ├── DeepLabV3Plus.py
│   ├── ....
├── multi_inference.sh
├── multi_train.sh
├── README.md
├── requirements.txt
├── train.py
├── train.sh
└── utils
    ├── convert_format.py
    ├── download_artifacts.py
    ├── loss.py
    ├── metrics.py
    ├── optimizer.py
    ├── scheduler.py
    └── utils.py

2. Train & Inference

이번 대회에서는 실험 구현, 공유, 그리고 재현성을 높이기 위해 YAML 파일을 활용하여 실험 파라미터 설정 및 관리하는 방식을 도입했습니다. 우리가 사용한 기본 설정 파일은 base_config.yaml에서 확인할 수 있습니다. 실제 실험에 사용된 YAML 파일들은 여기에서 확인 가능합니다. 또한, 우리의 YAML 파일 작성 규칙은 이곳에서 자세히 확인할 수 있습니다.

또한, 다양한 모델과 커스텀 모델을 사용했습니다. 모델 작성 규칙은 다음에서 확인할 수 있습니다.

🧑‍🤝‍🧑 Contributors

김세연

안지현

김상유

김태욱

김윤서

김채리

⚡️ Detail

우리는 해당 대회를 위해 다양한 모델과 방법론을 적용하였으며, 이에 대한 자세한 내용은 Wrap-Up Report에서 확인하실 수 있습니다.