这是做什么用的？
这是 sdkxd 团队参加 MICCAI 2023 STS 挑战赛（从 CBCT 扫描中进行 3D 牙齿分割）的官方 PyTorch 代码。它在 nn-UNet 的基础上加入了轴向注意力（axial attention）和一个位置纠正模块，用来清理分割结果中的异常点。
这是 sdkxd 团队参加 MICCAI 2023 STS 挑战赛（从 CBCT 扫描中进行 3D 牙齿分割）的官方 PyTorch 代码。它在 nn-UNet 的基础上加入了轴向注意力（axial attention）和一个位置纠正模块，用来清理分割结果中的异常点。它是一个独立工具，还是 nn-UNet 的扩展？它不是一个独立的应用，而是一组修改过的文件和脚本，需要复制到已有的 nn-UNet 安装目录里（例如打了补丁的 genericUNet.py），从而加入注意力模块和纠正模块。
它不是一个独立的应用，而是一组修改过的文件和脚本，需要复制到已有的 nn-UNet 安装目录里（例如打了补丁的 genericUNet.py），从而加入注意力模块和纠正模块。我怎么把整个流程跑起来？先安装 nn-UNet，并把标注好的 CBCT 数据按它要求的 Task 文件夹结构整理好（dataset.json、imagesTr、imagesTs、labelsTr），然后运行 nn-UNet 的自动预处理，接着用 5 折交叉验证进行训练，之后再进入伪标签生成和 nnUNet-att 训练阶段。
先安装 nn-UNet，并把标注好的 CBCT 数据按它要求的 Task 文件夹结构整理好（dataset.json、imagesTr、imagesTs、labelsTr），然后运行 nn-UNet 的自动预处理，接着用 5 折交叉验证进行训练，之后再进入伪标签生成和 nnUNet-att 训练阶段。使用它之前我需要先安装 nn-UNet 吗？需要。这套代码完全基于 nn-UNet 构建，默认你已经安装好 nn-UNet 并满足它的运行要求；除此之外不需要任何额外的依赖。
需要。这套代码完全基于 nn-UNet 构建，默认你已经安装好 nn-UNet 并满足它的运行要求；除此之外不需要任何额外的依赖。是不是一条命令就能跑完全流程？不是。这是一个多阶段的手动流程：先用有标注的数据训练，再为无标注数据生成伪标签，然后迭代地重新训练并过滤掉低质量的伪标签，接着训练 nnUNet-att，最后对预测结果执行位置纠正步骤。
不是。这是一个多阶段的手动流程：先用有标注的数据训练，再为无标注数据生成伪标签，然后迭代地重新训练并过滤掉低质量的伪标签，接着训练 nnUNet-att，最后对预测结果执行位置纠正步骤。这个方案在比赛中成绩如何？在最终的未见测试集上，sdkxd 团队的方案以 81.47% 的分数获得了总排名第 5 名。
在最终的未见测试集上，sdkxd 团队的方案以 81.47% 的分数获得了总排名第 5 名。位置纠正模块是干什么的？它是一个后处理步骤，在推理完成之后检测并修复预测牙齿掩膜中的异常分割点。
它是一个后处理步骤，在推理完成之后检测并修复预测牙齿掩膜中的异常分割点。为什么要费劲生成伪标签？这次挑战赛中无标注的 CBCT 扫描远多于有标注的，所以整个流程先用有标注数据训练，然后在无标注扫描上迭代地生成并过滤伪标签，以半监督的方式扩充训练集。
这次挑战赛中无标注的 CBCT 扫描远多于有标注的，所以整个流程先用有标注数据训练，然后在无标注扫描上迭代地生成并过滤伪标签，以半监督的方式扩充训练集。nnUNet-att 是什么？它是修改后的 nn-UNet 架构，通过打了补丁的 genericUNet.py 加入轴向注意力层（axial attention），并在有标注数据加上过滤后伪标签的合并数据上用 5 折交叉验证进行训练。
它是修改后的 nn-UNet 架构，通过打了补丁的 genericUNet.py 加入轴向注意力层（axial attention），并在有标注数据加上过滤后伪标签的合并数据上用 5 折交叉验证进行训练。What are similar projects?VisionHOPE, Attention-Residuals, pointdit, External-Attention-pytorch, awesome-semantic-segmentation, deep-learning-for-image-processing, Engram, CVPR2026-Papers-with-Code
VisionHOPE, Attention-Residuals, pointdit, External-Attention-pytorch, awesome-semantic-segmentation, deep-learning-for-image-processing, Engram, CVPR2026-Papers-with-Code