🦴Overview

뼈는 우리 몸의 구조와 기능에 중요한 영향을 미치기 때문에, 정확한 뼈 분할은 의료 진단 및 치료 계획을 개발하는 데 필수적입니다.

Bone Segmentation은 인공지능 분야에서 중요한 응용 분야 중 하나로, 특히, 딥러닝 기술을 이용한 뼈 Segmentation은 많은 연구가 이루어지고 있으며, 다양한 목적으로 도움을 줄 수 있습니다. 여러분에 의해 만들어진 우수한 성능의 모델은 질병 진단, 수술 계획, 의료 장비 제작, 의료 교육 등에 사용될 수 있을 것으로 기대됩니다. 🌎

🏅 개인(박상필) Wrap-Up Report

• 개인 Wrap-Up Report👑

🧙‍♂️Team

김지현	박상필	오동혁	이상민	이태순

🏆LB Score

• private : 0.9731 (5등 / 19팀)
• public : 0.9736 (4등 / 19팀)

⭐Project Summary

• EDA: Test dataset에서 손을 45도 꺾은 데이터, 손가락 가장자리 부분의 경계선이 희미한 현상, 뼈 텍스처 특징 상 뼈 내부를 배경으로 예측하는 노이즈 발견
• 다양한 모델 실험: Unet, Unet++, deeplabV3, Segformer등의 모델 적용
• Augmentation: Resize, RandomContrast, CLAHE, Rotate 등 적용
• TTA: Horizontal flip 적용
• Ensemble : Hard Vote, Soft Vote 앙상블 적용

Dataset no.	Model	Encoder	Augmentation	TTA (h_flip)	Valid Dice Score	LB Score (Dice)
0	UNet++	HRNet w64	rotate 30	O	0.9691	0.9705
0	UNet++	HRNet w64	rotate 30	X	0.9691	0.9673
1	UNet++	HRNet w64	rotate 30, grid mask	O	0.9841	0.9723
2	UNet++	HRNet w64	rotate 30	X	0.982	0.9703
3	UNet++	HRNet w64	grid mask	O	0.9829	0.9721
4	UNet++	HRNet w64	-	O	0.9763	0.9657
0	Segformer	MixVision Transformer	Blur, CLAHE, cutout	X	0.9698	0.9659
0,1,3,4	DeepLabV3+	Xception71	rotate 30, grid mask	X	-	0.9710

📈Model performance

💾Datasets

• train: 800장의 train image 존재
• test: 300장의 test image 존재
• 이미지 크기: (2048, 2048) 3 channel
• 크게 손가락 / 손등 / 팔로 구성되며, 총 29개의 class (뼈 종류)가 존재
• 출처 : 부스트캠프 AI Tech

📊Metric

• Dice coefficient
  • Semantic Segmentation에서 사용되는 대표적인 성능 측정 방법

⚒Development Environment

• GPU : v100
• OS : linux
• library : pytorch