0
雷鋒網(wǎng) AI 開發(fā)者按：近日，騰訊優(yōu)圖首個(gè)醫(yī)療 AI 深度學(xué)習(xí)預(yù)訓(xùn)練模型 MedicalNet （https://github.com/Tencent/MedicalNet）正式對(duì)外開源，這也是全球第一個(gè)提供多種 3D 醫(yī)療影像專用預(yù)訓(xùn)練模型的項(xiàng)目。
MedicalNet具備以下特性：
MedicalNet 提供的預(yù)訓(xùn)練網(wǎng)絡(luò)可遷移到任何 3D 醫(yī)療影像的 AI 應(yīng)用中，包括但不限于分割、檢測(cè)、分類等任務(wù)；
尤其適用小數(shù)據(jù)醫(yī)療影像 AI 場景，能加快網(wǎng)絡(luò)收斂，提升網(wǎng)絡(luò)性能；
通過簡單配置少量接口參數(shù)值，即可進(jìn)行微調(diào)訓(xùn)練；
項(xiàng)目提供多卡訓(xùn)練以及測(cè)試評(píng)估代碼，接口豐富，擴(kuò)展性強(qiáng)；
提供不同深度 3D ResNet 預(yù)訓(xùn)練模型，可供不同數(shù)據(jù)量級(jí)應(yīng)用使用。
為了產(chǎn)生 3D 醫(yī)療影像的預(yù)訓(xùn)練模型，MedicalNet 聚集多個(gè)來自不同 3D 醫(yī)療領(lǐng)域的語義分割小規(guī)模數(shù)據(jù)集，并提出了基于多分支解碼器的多域聯(lián)合訓(xùn)練模型來解決數(shù)據(jù)集中的標(biāo)注缺失問題。
整個(gè)系統(tǒng)的工作流程如下圖所示：
騰訊團(tuán)隊(duì)將 MedicalNet 模型遷移到預(yù)訓(xùn)練時(shí)未接觸過的 Visceral 和 LIDC 數(shù)據(jù)集中，完成全新的肺部分割和肺結(jié)節(jié)分類任務(wù)，并與目前常用的從零訓(xùn)練（train from scratch）以及 Kinetics 視頻 3D 預(yù)訓(xùn)練模型在性能以及收斂速度上做了比較。
在肺部分割應(yīng)用上，相比于 Train from Scratch，MedicalNet 在 Dice 上有 16% 到 33% 幅度的提升，相比于 Kinetics 有 4% 到 7% 幅度的提升。在肺結(jié)節(jié)良惡性分類應(yīng)用上，相比于 Train from Scratch，MedicalNet 有 6% 到 23% 幅度的預(yù)測(cè)正確率（Acc）提升，相比于 Kinetics 有 7% 到 20% 幅度的提升。
在收斂速度上，實(shí)驗(yàn)證明，無論是在肺分割任務(wù)還是肺結(jié)節(jié)分類任務(wù)上，MedicalNet 均能為模型提供一個(gè)較低的初始化損失值，明顯加快損失下降速度，下圖為 MedicalNet 性能的一個(gè)簡單示例，展示了在全器官分割應(yīng)用中，不同預(yù)訓(xùn)練方式在一定訓(xùn)練迭代次數(shù)下的測(cè)試結(jié)果。可以看出，基于騰訊預(yù)訓(xùn)練模型（MedicalNet）的結(jié)果最接近標(biāo)簽（ground truth），且遠(yuǎn)優(yōu)于從零訓(xùn)練（train from scratch）的結(jié)果。
更多細(xì)節(jié)請(qǐng)參考論文：Transfer Learning for 3D Medical Image Analysis（arXiv preprint arXiv:1904.00625 (2019).
雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
