医学影像组学必备模型——Med3D
发布网友
发布时间：2小时前
共1个回答
热心网友
时间：46分钟前
医学影像领域中的一个关键问题是提高分割任务的准确性。Med3D作为预训练模型，为之后的医学分割检测任务带来了显著优势。Med3D在3DSeg-8数据集上的训练，整合了来自不同模态、不同目标器官和不同病理情况的数据，产生了3D-ResNet系列预训练模型，适用于分割、检测和分类任务。使用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%。
训练方法包括数据选择和预处理。数据来自8个分割数据集，包括不同模态（MRI和CT）、不同扫描区域（脑、心脏、胰腺、脾脏等）和3D中不同的分辨率、像素灰度范围。数据预处理涉及空间和灰度分布归一化，空间归一化通过选择区域内的所有体素中值spacing进行，以避免过插值，灰度归一化则通过截断异常点和标准化灰度值完成。
Med3D网络结构基于ResNet，但存在数据集组织问题，每个数据集只有一个组织的分割Mask，导致网络难以收敛。解决方法是采用并联形式训练，用同一个Bacbone结构后面并联接8个分支decoder，每个分支针对一种数据集，以适应不同的分割目标。同时，网络中八个分支的decoder结构简单，有助于encoder储藏更多信息和学习更多普适性信息。
作者通过训练Med3D网络，用于肝脏分割比赛LiTS数据集，效果接近于使用多模型集成，比单一网络方法效果更好。此外，Med3D在肺分割和肺结节分类任务上与从头训练的网络对比，显示了明显提升效果，且随着网络加深，精度提升，完全避免了过拟合问题。Med3D作为预训练模型在医学影像分析中的应用，展示了其在分割、检测和分类任务上的普适性和高效性。
