Tencent/MedicalNet

Many studies have shown that the performance on deep learning is significantly affected by volume of training data. The MedicalNet project provides a series of 3D-ResNet pre-trained models and relative code.

MedicalNet – 3-D医療画像転移学習

概要

Med3D 論文（“Transfer Learning for 3D Medical Image Analysis”）のPyTorch実装。
大規模な3-D医療画像データセット（23の公開データセット）と、事前学習済みの3-D ResNetモデル（深さ10-200）のコレクションを提供。
肺のセグメンテーション、結節分類、脳MRIセグメンテーションなどの新しいタスクでこれらのモデルを微調整するためのスクリプトが含まれています。

重要性

3-D CNNをゼロから学習するには膨大なアノテーション済みボリュームが必要ですが、医療分野では希少です。MedicalNetの事前学習済みウェイトは強力な出発点となり、収束速度と精度を劇的に向上させます（例：肺セグメンテーションでDice係数が27%向上）。

主要コンポーネント

models/resnet.py – 3-D ResNetバリアントの定義。
datasets/ – データ前処理ユーティリティ（例：MRBrainS18ローダー）。
train.py / test.py – マルチGPUをサポートした、すぐに実行可能な学習および評価ループ。
pretrain/ – 各アーキテクチャ用のダウンロード可能な .pth ファイル。
utils/logger.py – シンプルなロギング。

典型的なワークフロー

インストール: Python 3.7, PyTorch 0.4.1, CUDA 9.0, cuDNN 7.0.5。
pip install -r requirements.txt。
データと事前学習済みウェイトをダウンロード（Google Drive / Tencent Weiyun）し、リポジトリに解凍します。
python train.py --gpu_id 0（マルチGPUの場合は 0 1）を実行して、データセットで微調整を行います。
python test.py --gpu_id 0 --resume_path <model>.pth.tar --img_list data/val.txt で評価します。

パフォーマンススナップショット

モデル	パラメータ数 (M)	Tesla P40での推論時間 (s)
3D-ResNet10	14.36	0.18
3D-ResNet18	32.99	0.19
3D-ResNet34	63.31	0.22
3D-ResNet50	46.21	0.21
3D-ResNet101	85.31	0.29
3D-ResNet152	117.51	0.34
3D-ResNet200	126.74	0.45

微調整の結果（肺セグメンテーションのDice係数、結節分類の精度）は、すべての深さにおいてゼロからの学習よりも一貫した向上を示しています。

ライセンス

MIT License (LICENSE を参照)。

引用

@article{chen2019med3d,
  title={Med3D: Transfer Learning for 3D Medical Image Analysis},
  author={Chen, Sihong and Ma, Kai and Zheng, Yefeng},
  journal={arXiv preprint arXiv:1904.00625},
  year={2019}
}

ロードマップ / TODO

完了: 事前学習済み3-D ResNet、転移学習コード、マルチGPUサポート。
計画中: 3-D効率的アーキテクチャ（MobileNet, ShuffleNet）および2-D医療用事前学習済みモデル。

対象ユーザー

あらゆる3-D医療画像タスク（CT, MRI, PET）の強力なベースラインを必要とする研究者。
セグメンテーションや分類ツールのプロトタイプを構築する臨床医。
3-D CNNを大規模な医療AIパイプラインに統合する開発者。

MedicalNet は、一般的なAI関連のリストやチュートリアルではなく、3-D医療画像ディープラーニングのための本格的な研究グレードのツールボックスです。