醫(yī)學影像是臨床疾病診斷的重要方式，高效精準的從影像中識別出器官結構或病變，是醫(yī)學影像學中重要的課題。根據(jù)成像原理，醫(yī)療影像可以粗略分為兩類：

1.2D成像：一種在可見光下獲取的RGB彩照，如眼底彩照、皮膚彩照等

2.3D成像：借助非可見光或其它物理效應，由計算機輔助成像，如CXR/DR(X-Ray)，CT，核磁共振(MRI)等。如CT與MRI數(shù)據(jù)是多個2D切片沿第三個空間維度堆疊而成的。

圖1 各類醫(yī)學影像

其中，3D影像能夠更直觀輔助醫(yī)生提升診斷效率。但醫(yī)療影像的讀片工作對專業(yè)知識要求高，這樣繁重且重復性較高的閱片工作，僅能由專業(yè)的影像科醫(yī)生完成。另一方面，醫(yī)療影像在醫(yī)學檢查中愈發(fā)常見，對閱片專家的需求也在增加。隨著深度學習技術的發(fā)展，我們看到了使用AI技術輔助醫(yī)生快速分析閱片、減輕閱片工作負擔的可能性。

為了更好地使用前沿AI技術輔助醫(yī)生快速閱片分析、幫助患者更快地獲得影像檢查結果，百度飛槳PaddleSeg產(chǎn)研團隊聯(lián)合百度智慧醫(yī)療部影像團隊、廣州第一人民醫(yī)院南沙醫(yī)院放射科及其他社區(qū)開發(fā)者基于PaddleSeg開發(fā)了全流程 3D 醫(yī)學圖像分割工具MedicalSeg。

圖2 MedicalSeg醫(yī)療影像分割工具介紹

MedicalSeg以模塊化的形式，提供了從數(shù)據(jù)處理、模型訓練、可視化驗證到部署的全流程。提供了高精度的VNet、UNet模型，支持7種不同格式的 3D數(shù)據(jù)讀取，6種3D數(shù)據(jù)變換、12類器官數(shù)據(jù)預處理，方便醫(yī)療從業(yè)者快速構建醫(yī)療識別模型，高效進行圖像識別。 在這里給大家獻上鏈接，歡迎大家體驗?。ㄓ浀肧tar收藏跟進最新狀態(tài)） 傳送門：https://github.com/PaddlePaddle/PaddleSeg/tree/release/2.5/contrib/MedicalSeg

那么MedicalSeg3D具備哪些優(yōu)點呢？在這里一一為大家展開。

全流程覆蓋、極簡開發(fā)

為了更方便的簡化流程，首先，通過一鍵數(shù)據(jù)預處理，確認數(shù)據(jù)的正確性，隨后開始訓練和評估，過程中隨時可以查看預測結果的3D可視化，獲得滿足精度的模型之后，我們對其進行導出和部署，從而獲取更快的推理速度為應用服務。

完整的流程圖如圖所示:

圖3 MedicalSeg可視化功能展示

模型豐富、先進高效

MedicalSeg涵蓋了主流的UNet、VNet等3D分割模型，其中VNet在COVID-19 CT scans數(shù)據(jù)集中，在 COVID-19 CT scans 中達到了 97.04% 的 平均Dice 系數(shù)，實現(xiàn)的效果超越業(yè)界認可的medical zoo的精度。

產(chǎn)業(yè)實用、極致推理優(yōu)化

MedicalSeg使用 CuPy 在數(shù)據(jù)預處理中添加 GPU 加速。與 CPU 上的預處理數(shù)據(jù)相比，加速使我們在數(shù)據(jù)預處理中使用的時間減少了大約 40%。下面顯示了加速前后，我們花在處理 COVID-19 CT scans 數(shù)據(jù)集預處理上的時間。

審核編輯 ：李倩