由于深度学习任务往往依赖于大量的标注数据，医疗图像的样本标注又会涉及到较多的专业知识，标注人员需要对病灶的大小、形状、边缘等信息进行准确的判断，甚至需要经验丰富的专家进行两次以上的评判，这增加了深度学习在医疗领域应用的难度。

目前，虽然有一些公开可用的数据集（如LIDC-IDRI、LUNA等），但是这些公开数据集存在图像数量少，偏倚度高的问题，导致模型不可避免地出现过拟合。为了解决该问题，一般会借助迁移学习使用ImageNet等大规模数据集上的预训练参数加快模型的收敛；然而，对于3D医学图像（例如CT、MRI等），目前并没有很好的3D模型预训练参数。

今天为大家介绍一篇针对3D医学影像中病灶检测任务的研究，该研究针对CT层面中的2D病灶检测问题提出了一种可以有效利用3D上下文信息的新框架MP3D，同时提出了一种预训练3D卷积神经网络的新思路。

文章发表于MICCAI 2020 [1]，该研究在迄今规模最大的CT图像数据集NIH DeepLesion上进行了实验，取得了SOTA的病灶检测结果。当Sensitivity@0.5FPs，相比当前SOTA方法提升3.48%，而相比2.5D的baseline方法，提升高达4.93%。

此外，实验还表明文中提出的有监督预训练方法可以有效提升3D模型训练的收敛速度，以及在小规模数据集上的模型精度。研究者在四个基准的3D医学数据集上进行了大规模的实验验证，结果表明对我们的预训练3D模型进行调优（finetune）不仅可以显著优于从头训练（training from scratch）的3D模型，而且与现有的最先进的自监督和全监督预训练模型相比，我们的模型效果在多数任务上也都具有明显优势。

论文链接：

https://arxiv.org/pdf/2012.08770.pdf

预训练相关的代码以及基于ResNet3D-18的预训练模型已经公开，链接为：

https://github.com/urmagicsmine/CSPR

图1：MP3D网络框架

图2：基于变维度转换的3D模型预训练

内容中包含的图片若涉及版权问题，请及时与我们联系删除