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 医学图像迁移学习

它是什么

Med3D 论文（“Transfer Learning for 3D Medical Image Analysis”）的 PyTorch 实现。
提供了一系列大规模 3-D 医学影像数据集（23 个公开数据集）和一套预训练的 3-D ResNet 模型（深度 10-200）。
包含用于在肺部分割、结节分类或脑部 MRI 分割等新任务上微调这些模型的脚本。

为什么它很重要

从零开始训练 3-D CNN 需要海量的标注数据，而这在医学领域非常稀缺。MedicalNet 的预训练权重提供了一个强大的起点，显著提高了收敛速度和准确性（例如，肺部分割的 Dice 指数提升了 27%）。

关键组件

models/resnet.py – 3-D ResNet 变体的定义。
datasets/ – 数据预处理工具（例如 MRBrainS18 加载器）。
train.py / test.py – 支持多 GPU 的开箱即用训练和评估循环。
pretrain/ – 每个架构可下载的 .pth 文件。
utils/logger.py – 简单的日志记录。

典型工作流程

安装 Python 3.7, PyTorch 0.4.1, CUDA 9.0, cuDNN 7.0.5。
pip install -r requirements.txt。
下载数据和预训练权重（Google Drive / Tencent Weiyun）并解压到仓库中。
运行 python train.py --gpu_id 0（或 0 1 用于多 GPU）以在您的数据集上进行微调。
使用 python test.py --gpu_id 0 --resume_path <model>.pth.tar --img_list data/val.txt 进行评估。

性能快照

模型	参数量 (M)	Tesla P40 推理时间 (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

微调结果（肺部分割 Dice 指数，结节分类准确率）显示，在所有深度上均比从零开始训练有持续的提升。

许可

MIT License (见 LICENSE)。

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}
}

路线图 / 待办事项

已完成：预训练的 3-D ResNet，迁移学习代码，多 GPU 支持。
计划中：3-D 高效架构（MobileNet, ShuffleNet）和 2-D 医学预训练模型。

谁会使用它

需要为任何 3-D 医学影像任务（CT, MRI, PET）建立强大基准的研究人员。
构建原型分割或分类工具的临床医生。
将 3-D CNN 集成到大型医学 AI 流水线中的开发人员。

MedicalNet 是一个真正的、研究级的 3-D 医学图像深度学习工具箱，而不是一个通用的 AI 相关列表或教程。