MrGiovanni/SuPreM

What it solves

SuPreM 提供了一套预训练 3D 模型套件与一个大规模的标注数据集 (AbdomenAtlas 1.1)，以提升 3D 医疗影像任务的性能与效率。它解决了在医疗 AI 中进行监督式预训练时，难以获取大型且具有详细标注的数据集的问题，而监督式预训练通常比自监督学习方法更有效。

How it works

该项目包含两个主要组成部分：

1. AbdomenAtlas 1.1: 一个包含 9,262 个 CT 体积数据，具有 25 种器官的逐像素 (per-voxel) 标注以及七种肿瘤类型的伪标注 (pseudo annotations)。
2. SuPreM Models: 一系列针对 AbdomenAtlas 数据集训练的、广受认可的 3D AI 模型骨干网络 (backbones)，包括 Swin UNETR, U-Net, 和 SegResNet。

用户可以使用这些预训练权重进行直接推理 (inference)，或者针对特定的下游医疗任务进行模型微调 (fine-tuning)，例如器官、肌肉、脊椎、心脏、肋骨分割或胰腺肿瘤检测。

Who it’s for

从事 3D 体积医疗影像分析的医疗影像研究人员与 AI 开发人员，特别是那些专注于 CT 扫描中器官与肿瘤分割的研究人员。

Highlights

• Large-Scale Supervised Pre-training: 利用超过 9,000 个 CT 体积数据的精细标注数据集，为 3D 医疗影像分割提供基础。
• Multiple Backbone Support: 提供 Swin UNETR, U-Net, 和 SegResNet 的预训练权重。
• Broad Transferability: 利用多种下游任务证明了有效性，包括多器官与肿瘤分割。
• Integrated Dataset: 包含 AbdomenAtlas 1.1 数据集，提供 25 种器官的详细逐像素 (per-voxel) 标注。