MrGiovanni/ModelsGenesis

何を解決するか

Models Genesisは、セグメンテーションや分類のための高性能なディープラーニングモデルを訓練するために通常必要とされる手動でラベル付けされた3D医療画像（CTやMRIスキャンなど）の不足に対処します。

仕組み

自己教師学習フレームワークを使用して、ラベルのないデータ上で3Dモデルを事前学習します。モデルは、意図的に歪められたボリュームを再構成する画像復元の代理タスクを通じて、下位の解剖学的構造を学習します。これらの歪みには以下が含まれます：

• 非線形な強度変換
• 局所的なピクセルシャッフル
• 外部補完（Out-painting）
• 内部補完（In-painting）

事前学習が完了した後、これらの「汎用的自己学習モデル」は、特定の医療画像処理タスクに微調整可能な基盤として機能します。

対象ユーザー

ラベル付きデータセットが限られているにもかかわらず、正確な3D解析モデルを訓練したい医療画像研究者や臨床医。

特徴

• 自己教師学習：手動ラベルを一切使用せずに視覚的表現を学習。
• 3Dネイティブ：2D ImageNetベースの転移学習に頼らず、3Dボリューム専用に設計。
• 実証された性能：nnU-Netと組み合わせると、Medical Segmentation Decathlonにおける肝臓/腫瘍および海馬セグメンテーションでトップランクを達成。
• 柔軟な実装：PyTorchおよびKerasの両方で提供。