Hand Bone Image Segmentation

• 2024.02.07 ~ 2024.02.22
• 네이버 커넥트 재단 및 Upstage에서 주관하는 비공개 대회
• X-ray 이미지에서 사람의 뼈를 Segmentation

Members

공통: EDA

김세진: Augmenatation 실험, Multi Loss 실험

박혜나: Github 초기 세팅, base code 모듈화, 데이터 전처리 실험

이동우: Flip 실험, Ensemble, DeepLabV3 실험

진민주: 전처리, Augmentation 실험, Unet++ 실험

허재영: mmsegmentation 세팅

문제 정의(대회소개) & Project Overview

Bone Segmentation은 인공지능 분야에서 중요한 응용 분야 중 하나입니다. 특히, 딥러닝 기술을 이용한 뼈 Segmentation은 많은 연구가 이루어지고 있으며, 다양한 목적으로 도움을 줄 수 있습니다. 정확한 뼈 분할은 의료 진단 및 치료 계획을 개발하는 데 필수적입니다. Bone Segmentation은 다음과 같은 상황에서 활용됩니다.

1. 질병, 골절, 변형 등의 파악
2. 수술 계획을 위한 뼈 구조 분석
3. 의료장비 제작에서의 정보 제공
4. 의료 교육에서의 활용

대회 결과

Public, Private 2등!

Dataset

1. Dataset

• Train : 800 Labeled Images
• Test : 288 Unlabeled Images
• 2048 x 2048, 3channel
• 개인별 왼손, 오른손 두 장의 이미지 set

2. Label

• 29 Classes

'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'

Metric

• Test set의 Dice coefficient로 평가
  • Semantic Segmentation에서 사용되는 대표적인 성능 측정 방법
  • Dice $$Dice(A,B) = \frac{2 * |A \cap B|}{|A| + |B|}$$

Tools

• Github
• Notion
• Slack
• Wandb

Project Outline

Models & Backbones

• FCN: ResNet50
• DeepLabV3+: Xception
• Unet++: Resnet34, ResNet101, efficientNet_d4

Preprocessing

• Resize
• Sharpen
• CLAHE

Data Augmentations

• HorizontalFlip
• Rotate
• Crop

Combine Loss

• DICE + BCE
• DICE + IOU