医学影像是临床疾病诊断的重要方式,高效精准的从影像中识别出器官结构或病变,是医学影像学中重要的课题。根据成像原理,医疗影像可以粗略分为两类:
1.2D成像:一种在可见光下获取的RGB彩照,如眼底彩照、皮肤彩照等
2.3D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。但医疗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,医疗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其他社区开发者基于PaddleSeg开发了全流程 3D 医学图像分割工具MedicalSeg。
图2 MedicalSeg医疗影像分割工具介绍
MedicalSeg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
那么MedicalSeg3D具备哪些优点呢?在这里一一为大家展开。
全流程覆盖、极简开发
为了更方便的简化流程,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。
怎么样,听完介绍,大家一定跃跃欲试吧,更多细节请参考
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的了解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!
扫码报名直播课
进入技术交流群
4月28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,加上直播现场互动答疑,还在等什么!抓紧扫码上车吧!
现在报名入群即可免费获得:
· 图像分割代码详细解读文档;
· 遥感、医疗、工业、人像等多行业图像分割数据集;
· 飞桨官方最高20万元产业落地资源包支持!
【数据引用说明】
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