MedicalNet

介绍 两天前腾讯开源了他们的预训练模型Med3D的代码和预训练模型文件： Tencent/MedicalNet ​ github.com 模型的训练方法在论文 Med3D: Transfer Learning for 3D Medical Image Analysis 中进行了详细描述，主要包含以下几点贡献： （1）将多个医学比赛中的数据进行了整合，创建了3DSeg-8数据集，数据中包含不同的模态、不同目标器官和不同的病理情况。 （2）设计了一个3D网络（Med3D），共同训练多种训练数据，产生了3D-ResNet系列预训练模型，可作为backbone用于分割、检测和分类任务。 （3）使用训练好的预训练模型，对多个分割任务进行了测试，通过使用该预训练模型进行迁移学习，相比于从头训练，精度提升范围在3%-20%。 网络训练方法 数据选择 8个分割数据集，来源于不同的模态（MRI和CT），不同的扫描区域（脑、心脏、胰腺、脾脏等），3D中不同的分辨率、不同的像素灰度范围。 数据预处理 ：空间和灰度分布归一化。 1）空间归一化：spacing归一化。为防止过插值，对面每一个体素的插值，目标spacing选为该体素对应的区域内的所有体素的中值spacing，以保证体素内目标不会应为过插值而丢失其本身的特征。 2）灰度归一化：不同图像模态灰度范围是不相同的。需要对灰度做归一化。同时

​导读 |近日，云+社区技术沙龙“腾讯开源技术”圆满落幕。本次沙龙邀请了多位腾讯技术专家，深度揭秘了腾讯开源项目TencentOS tiny、TubeMQ、Kona JDK、TARS以及MedicalNet。本文是陈思宏老师关于致力于提供基于3D医疗影像大数据的预训练模型MedicalNet的详细介绍。 一、医疗影像AI概述 医疗影像 AI 实际上解决的是「患者看病难，医生诊断累」的全球普遍问题。 由于培养投入大，周期长，医护人员的数量在短时间内很难大幅度增加，而人工智能技术可以辅助医疗工作，缓解当前医护资源不足的状况。 人工智能对于医疗领域来说，主要有两个作用，一个是进行人群基础筛查，另一个是提升诊断质量。对于一些简单的疾病，人工智能能达到较高的诊断性能，用于人群疾病初筛的工作上，在一定程度上缓解缺乏医护人员的问题。而一些治疗难度较高的疾病，人工智能可以为医生诊断提供参考依据，起到提醒作用。 医疗影像包含丰富的诊断信息，是医疗诊断中非常常见的手段。医疗影像AI的“制造”方法如下：收集标注数据，再通过这些数据来训练人工智能模型，最终实现在系统中输入患者影像，获得接近资深医师的诊断结果。 二、MedicalNet与医疗影像AI发展的关系 近年来，图像与视频识别软件的发展，为医疗影像 AI 提供了很大帮助。但医护人员资源有限，标注数据成为了困难，导致可用于训练的同分布标注数据非常少