騰訊優(yōu)圖開源業(yè)界首個3D醫(yī)療影像大數(shù)據(jù)預訓練模型MedicalNet!

雷鋒網(wǎng)AI開發(fā)者:近日，騰訊優(yōu)圖首個醫(yī)療 AI深度學習預訓練模型medical net(https://github . com/Tencent/medical net)正式對外開放，這也是全球首個提供多種3D 醫(yī)療圖像專用預訓練模型的項目。

MedicalNet具有以下特點:

MedicalNet提供的預訓練網(wǎng)絡可以遷移到任何3D 醫(yī)療圖像AI應用，包括但不限于分割、檢測和分類等任務。

尤其適用于小數(shù)據(jù)醫(yī)療圖像AI場景，可以加速網(wǎng)絡收斂，提升網(wǎng)絡性能；

通過簡單配置少量接口參數(shù)值就可以進行微調訓練；

項目提供多卡訓練和測試評估代碼，接口豐富，擴展性強；

提供不同深度的3D ResNet預訓練模型，可供不同數(shù)據(jù)級別的應用使用。

為了生成3D 醫(yī)療圖像的預訓練模型，MedicalNet聚合了多個來自不同3D 醫(yī)療域的具有語義分割的小規(guī)模數(shù)據(jù)集，并提出了一種基于多分支解碼器的多域聯(lián)合訓練模型來解決數(shù)據(jù)集中的標簽缺失問題。

整個系統(tǒng)的工作流程如下圖所示:

騰訊團隊將MedicalNet模型移植到預訓練前未接觸過的內臟和LIDC數(shù)據(jù)集，完成了全新的肺部分割和肺結節(jié)分類任務，并與常用的train from scratch和Kinetics video 3D預訓練模型進行了性能和收斂速度的對比。

在肺分割的應用中，與從零開始訓練相比，MedicalNet在Dice上有16%到33%的提高，在動力學上有4%到7%的提高。在肺結節(jié)良惡性分類的應用中，與從零開始訓練相比，MedicalNet的預測準確率(Acc)提高了6% ~ 23%，與動力學相比，提高了7% ~ 20%。

在收斂速度方面，實驗表明，無論是在肺部分割任務還是肺結節(jié)分類任務中，MedicalNet都能為模型提供較低的初始損失值，明顯加快了損失下降的速度。下圖是MedicalNet性能的一個簡單例子，展示了在全器官分割應用中，在一定訓練迭代下，不同預訓練方法的測試結果。可以看出，基于騰訊MedicalNet模型的結果最接近地面真實，遠優(yōu)于train from scratch的結果。

更多詳情請參考論文《3D醫(yī)學圖像分析的遷移學習》(arxiv print arxiv:1900.00625(2019))。