\u200E
全流程3D医疗分割开发工具MedicalSeg重磅开源
发布日期:2022-05-05T03:35:45.000+0000 浏览量:106次


医学影像是临床疾病诊断的重要方式,高效精准地从影像中识别出器官结构或病变,是医学影像学的重要课题之一。依据成像原理,医学影像可以粗略分为两类:


  • 2D成像:一种是在可见光下获取的RGB彩照,如眼底彩照、皮肤彩照等


  • 3D成像:借助非可见光或其它物理效应,由计算机辅助成像,如CXR/DR(X-Ray),CT,核磁共振(MRI)等。如CT与MRI数据是多个2D切片沿第三个空间维度堆叠而成的。


图1 各类医学影像

其中,3D影像能够更直观辅助医生提升诊断效率。但医学影像的读片工作对专业知识要求高,这样繁重且重复性较高的阅片工作,仅能由专业的影像科医生完成。另一方面,医学影像在医学检查中愈发常见,对阅片专家的需求也在增加。随着深度学习技术的发展,我们看到了使用AI技术辅助医生快速分析阅片、减轻阅片工作负担的可能性。

为了更好地使用前沿AI技术辅助医生快速阅片分析、帮助患者更快地获得影像检查结果, 百度飞桨PaddleSeg产研团队联合百度智慧医疗部影像团队、广州第一人民医院南沙医院放射科 及韩霖、郎督等飞桨PPSIG的成员们基于PaddleSeg开发了全流程 3D 医学图像分割工具 MedicalSeg

图2 MedicalSeg医学影像分割工具介绍

MedicialSeg以模块化的形式,提供了从数据处理、模型训练、可视化验证到部署的全流程。提供了 高精度的VNet、UNet模型 ,支持 7种 不同格式的3D数据读取, 6种 3D数据变换、 12类 器官数据预处理,方便医疗从业者快速构建医疗识别模型,高效进行图像识别。
 
在这里给大家献上链接,欢迎大家体验!
记得Star收藏跟进最新状态!传送门:
https://github.com/PaddlePaddle/PaddleSeg/tree/release/2.5/contrib/MedicalSeg
 
MedicalSeg3D究竟具备哪些优点?在这里为大家一一展开。

为了更方便地简化流程,首先,通过一键数据预处理,确认数据的正确性,随后开始训练和评估,过程中随时可以查看预测结果的3D可视化,获得满足精度的模型之后,我们对其进行导出和部署,从而获取更快的推理速度为应用服务。
完整的流程图如图所示:

图3 MedicalSeg可视化功能展示


模型丰富先进高效



MedicalSeg涵盖了主流的UNet、VNet等3D分割模型,其中VNet在COVID-19 CT scans数据集中,在COVID-19 CT scans 中达到了 97.04% 的 平均Dice 系数,实现的效果超越业界认可的medical zoo的精度。




产业实用、极致推理优化



MedicalSeg使用 CuPy 在数据预处理中添加 GPU 加速。 与CPU 上的预处理数据相比,加速使我们在数据预处理中使用的时间减少了大约 40%。 下面显示了加速前后,我们花在处理 COVID-19 CT scans 数据集预处理上的时间。



听完介绍,大家是否已经跃跃欲试?
更多详细细节请参考:
https://github.com/PaddlePaddle/PaddleSeg/tree/release/2.5/contrib/MedicalSeg


直播预告



说了这么多,肯定还有小伙伴想问,技术上来说,3D医疗分割是怎么实现的呢?为了让开发者们更深入地了解MedicalSeg这个工具,解决落地应用难点,掌握产业实践的核心能力,飞桨团队精心准备了精品直播课!

4月27日20:30 ,百度资深高工将为我们详细介绍MedicalSeg开发的历程以及使用方式。此后两天,还有分割拓展应用梳理及产业案例全流程实操,对各类痛点、难点、解决方案进行手把手教学,直播现场支持互动答疑,还在等什么!抓紧扫码上车吧!


点击阅读原文立即报名


数据引用:

图1来源(从左到右)

  • 彩超数据:百度大脑和中山大学中山眼科中心联合举办的iChallenge比赛

  • X-ray影像:2017RSNA骨龄预测比赛

  • CT影像:4C 2021 医学影像挑战赛

  • MRI影像:开源数据集MRISpineSeg spine dataset

图2来源(从左到右)

  • 肺部数据:开源数据集COVID-19 CT scans lung dataset

  • 椎骨数据:开源数据集MRISpineSeg spine dataset

图3来源(从左到右)
  • 肺部数据:开源数据集COVID-19 CT scans lung dataset

  • 椎骨数据:开源数据集MRISpineSeg spine dataset


关注【飞桨PaddlePaddle】公众号

获取更多技术内容~