腾讯Youtu的第一个医学AI深度学习预训练模型MedicalNet正式开源。据说这是世界上第一个提供各种3D医学成像专用预训练模型的项目，这将为全球医学AI的发展奠定基础。许多研究表明，深度学习的发展非常依赖于数据量。自然图像领域中有许多海量数据集，例如ImageNet和MSCOCO。基于这些数据集生成的预训练模型促进了分类，检测和分割等应用程序的进步。与自然图像不同，大多数医学图像都是3D结构。同时，由于数据获取和标记的困难以及数据的稀缺性，目前还没有海量数据集和相应的预训练模型。 MedicalNet是由腾讯Youtu开发的一系列预训练模型，是在深度学习应用程序的基础上开发的，专门用于3D医学成像。据说MedicalNet可以起到“基础”作用。在任何3D医学成像AI应用程序中扮演重要角色，可加快模型收敛速度，并减少模型对数据量的依赖。可以理解，MedicalNet具有以下特征：1.MedicalNet提供的预训练网络可以迁移到任何3D医学成像AI应用中，包括但不限于分割，检测和分类等任务； 2，特别适用于小数据医学影像人工智能场景，可以加速网络融合，提高网络性能； 3.通过简单地配置少量接口参数值，就可以进行微调训练。 4，项目提供多卡培训和测评代码，界面丰富，可扩展性强； 5.提供不同的深度3D ResNet预训练模型可用于具有不同数据级别的应用程序。为了生成3D医学图像的预训练模型，MedicalNet汇总了来自不同3D医学领域的语义分割的多个小规模数据集，并提出了一种基于多分支解码器的多域联合训练模型来解决该问题。数据集中缺少注释的问题。据说，该团队的预训练模型可以转换为3D医学成像应用程序的任何深度学习模型。该团队将MedicalNet模型迁移到了预训练期间未触及的Visceral和LIDC数据集，以完成新的肺分割和肺结节分类任务，并将其与当前常用的从零开始的训练和Kinetics视频3D进行了比较。在性能和收敛速度方面对经过训练的模型进行了比较。据说，在肺部分割应用中，MedicalNet在Dice上与Scratch的Train相比增加了16％至33％，与KineTIcs相比增加了4％至7％。在肺结节的良性和恶性分类的应用中，MedicalNet的预测准确性（Acc）与Scratch训练相比提高了6％到23％，与KineTIcs相比提高了7％到20％。在收敛速度方面，实验表明，无论是在肺分割任务还是在肺结节分类任务中，MedicalNet均可为模型提供较低的初始化损失值，从而显着加快了损失减少的速度。下图显示了MedicalNet性能的一个简单示例。该示例显示了在整个器官分割的应用中，在一定数量的训练迭代下，不同的预训练方法的测试结果。可以看出，基于我们的预训练模型（MedicalNet）的结果最接近标签（真实情况），并且远胜于从头开始训练的结果（从头开始训练）。有关更多详细信息，请参阅论文（论文：“ Med3D：用于3D医学图像分析的转移学习”）。随着人工智能的普及，医学成像AI也已成为当前应用领域中最受欢迎的部分。与其他人工智能应用不同，人工智能在医学领域具有最高的应用门槛，最大的原因是缺少注释数据。医学图像数据的获取通常需要许多障碍。同时，由于该领域的特殊性，通常需要高级医师对数据进行注释，并且每个3D数据的注释既费时又费力。在当前紧张的医学资源下，医学图像数据的获取将非常长，这极大地阻碍了应用的进展。此外，标记数据的数量非常有限，大多数医疗部门都需要面对数据稀缺和深度学习之间的鸿沟。专有域专有模型，MedicalNet i