Medical Detection Toolkit 包含了 Mask R-CNN、Retina Net、Retina U-Net 等常用物体检测器的 2D + 3D 实现，以及训练工具。
*** MedicalDetectionToolkit 已不再维护。请查看我们的后续框架： nnDetection ***
概述
这是一个用于物体检测的综合框架,具有以下特点:
- 2D + 3D 实现常见的物体检测器:例如 Mask R-CNN [1], Retina Net [2], Retina U-Net [3]。
- 模块化和轻量级结构,确保所有处理步骤(包括主体架构)的共享,以便模型的可比性。
- 使用边框和/或像素级注释进行训练。
- 2D + 3D 图像的动态补丁和拼接(用于训练和推理)。
- 在片段重叠、集成和维度之间对框预测进行加权整合 [3]。
- 同时在物体和患者层面进行监控和评估。
- 2D + 3D 输出可视化。
- 集成 COCO 平均平均精度指标 [5]。
- 集成 MIC-DKFZ 批量生成器,用于广泛的数据增强 [6]。
- 易于修改以评估实例分割和/或语义分割。
[1] He, Kaiming, et al.
"Mask R-CNN" ICCV, 2017
[2] Lin, Tsung-Yi, et al.
"Focal Loss for Dense Object Detection" TPAMI, 2018.
[3] Jaeger, Paul et al.
"Retina U-Net: Embarrassingly Simple Exploitation
of Segmentation Supervision for Medical Object Detection" , 2018
[5] https://github.com/cocodataset/cocoapi/blob/master/PythonAPI/pycocotools/cocoeval.py
[6] https://github.com/MIC-DKFZ/batchgenerators
如何引用