0
雷鋒網(wǎng) AI 開發(fā)者按：近日，騰訊優(yōu)圖首個醫(yī)療 AI 深度學習預訓練模型 MedicalNet （https://github.com/Tencent/MedicalNet）正式對外開源，這也是全球第一個提供多種 3D 醫(yī)療影像專用預訓練模型的項目。
MedicalNet具備以下特性：
MedicalNet 提供的預訓練網(wǎng)絡可遷移到任何 3D 醫(yī)療影像的 AI 應用中，包括但不限于分割、檢測、分類等任務；
尤其適用小數(shù)據(jù)醫(yī)療影像 AI 場景，能加快網(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，即可進行微調訓練；
項目提供多卡訓練以及測試評估代碼，接口豐富，擴展性強；
提供不同深度 3D ResNet 預訓練模型，可供不同數(shù)據(jù)量級應用使用。
為了產(chǎn)生 3D 醫(yī)療影像的預訓練模型，MedicalNet 聚集多個來自不同 3D 醫(yī)療領域的語義分割小規(guī)模數(shù)據(jù)集，并提出了基于多分支解碼器的多域聯(lián)合訓練模型來解決數(shù)據(jù)集中的標注缺失問題。
整個系統(tǒng)的工作流程如下圖所示：
騰訊團隊將 MedicalNet 模型遷移到預訓練時未接觸過的 Visceral 和 LIDC 數(shù)據(jù)集中，完成全新的肺部分割和肺結節(jié)分類任務，并與目前常用的從零訓練（train from scratch）以及 Kinetics 視頻 3D 預訓練模型在性能以及收斂速度上做了比較。
在肺部分割應用上，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。在肺結節(jié)良惡性分類應用上，相比于 Train from Scratch，MedicalNet 有 6% 到 23% 幅度的預測正確率（Acc）提升，相比于 Kinetics 有 7% 到 20% 幅度的提升。
在收斂速度上，實驗證明，無論是在肺分割任務還是肺結節(jié)分類任務上，MedicalNet 均能為模型提供一個較低的初始化損失值，明顯加快損失下降速度，下圖為 MedicalNet 性能的一個簡單示例，展示了在全器官分割應用中，不同預訓練方式在一定訓練迭代次數(shù)下的測試結果。可以看出，基于騰訊預訓練模型（MedicalNet）的結果最接近標簽（ground truth），且遠優(yōu)于從零訓練（train from scratch）的結果。
更多細節(jié)請參考論文：Transfer Learning for 3D Medical Image Analysis（arXiv preprint arXiv:1904.00625 (2019).
雷峰網(wǎng)版權文章，未經(jīng)授權禁止轉載。詳情見轉載須知。
