Railnet Tooth Segmentation In CBCT Image

🚀 歯のセグメンテーションモデル

このモデルは、CBCT画像における歯のセグメンテーションを行うためのもので、高精度なセグメンテーション結果を提供します。

🚀 クイックスタート

このモデルは、PytorchModelHubMixin を使用してモデルハブに公開されています。

• Hugging Face Space (利用可能):
  https://huggingface.co/spaces/Tournesol-Saturday/railNet-tooth-segmentation-in-CBCT-image
• コード: https://github.com/Tournesol-Saturday/RAIL
• 論文: RAIL: Region-Aware Instructive Learning for Semi-Supervised Tooth Segmentation in CBCT

📦 インストール

以下の手順で、このリポジトリのモデルを使用できます。

1. 次のコマンドでこのリポジトリをクローンします。

   git clone https://huggingface.co/Tournesol-Saturday/railNet-tooth-segmentation-in-CBCT-image
   cd railNet-tooth-segmentation-in-CBCT-image
   

2. 次のコマンドを使用して仮想環境を作成し、モデルを体験します。

   conda create -n railnet python=3.10
   conda activate railnet
   pip install -r requirements.txt
   python gradio_app.py
   

💻 使用例

1. 現在の作業ディレクトリ内の example_input_file フォルダを見つけます。 このフォルダ内の任意の .h5 ファイルを選択し、Gradio インターフェースにドラッグアンドドロップしてモデル推論を行います。
2. 約1分～2分30秒待つと、モデル推論が完了し、セグメンテーション結果と3Dレンダリングの可視化が生成されます。 元画像とセグメンテーション結果は、同じディレクトリの output フォルダに .nii.gz 形式で保存されます。
3. Gradio は3Dセグメンテーションの可視化において1/2のダウンサンプリングを行うため、セグメンテーション精度が低下します。 ユーザーは output フォルダ内の .nii.gz 形式のファイルを ITK - SNAP ソフトウェアにドラッグアンドドロップして、正確なセグメンテーションの可視化を確認できます。

📄 ライセンス

このモデルは、Apache 2.0ライセンスの下で公開されています。