MrGiovanni/SuPreM

What it solves

SuPreM 提供了一套預訓練 3D 模型套件與一個大規模的標註資料集 (AbdomenAtlas 1.1)，以提升 3D 醫療影像任務的效能與效率。它解決了在醫療 AI 中進行監督式預訓練時，難以獲取大型且具有詳細標註的資料集的問題，而監督式預訓練通常比自我監督式方法更有效。

How it works

該專案包含兩個主要組成部分：

1. AbdomenAtlas 1.1: 一個包含 9,262 個 CT 容積影像的資料集，其中包含 25 種器官的逐像素 (per-voxel) 標註，以及七種腫瘤類型的偽標註 (pseudo annotations)。
2. SuPreM Models: 一系列針對 AbdomenAtlas 資料集進行訓練的廣受認可的 3D AI 模型骨幹網路 (backbones) 的預訓練權重，包括 Swin UNETR, U-Net, 和 SegResNet。

使用者可以利用這些預訓練權重對未見過的 CT 容積影像進行直接推理 (inference)，或是針對特定的下游醫療任務進行模型微調 (fine-tuning)，例如器官、肌肉、脊椎、心臟與肋骨分割，或是胰臟腫瘤檢測。

Who it’s for

從事 3D 容積醫療影像分析的醫療影像研究人員與 AI 開發者，特別是那些專注於 CT 掃描中器官與腫瘤分割的研究者。

Highlights

• Large-Scale Supervised Pre-training: 使用超過 9,000 個 CT 容積影像的精細標註資料集，為 3D D 醫療影像分割提供基礎。
• Multiple Backbone Support: 提供 Swin UNETR, U-Net, 和 SegResNet 的預訓練權重。
• Broad Transferability: 在各種下游任務中展現了有效性，包括多器官與腫瘤分割。
• Integrated Dataset: 包含 AbdomenAtlas 1.1 資料集，提供 25 種器官的詳細逐像素 (per-voxel) 標註。