医学影像是临床疾病诊断的重要方式，高效精准地从影像中识别出器官结构或病变，是医学影像学的重要课题之一。依据成像原理，医学影像可以粗略分为两类：

• 2D成像：一种是在可见光下获取的RGB彩照，如眼底彩照、皮肤彩照等

• 3D成像：借助非可见光或其它物理效应，由计算机辅助成像，如CXR/DR(X-Ray)，CT，核磁共振(MRI)等。如CT与MRI数据是多个2D切片沿第三个空间维度堆叠而成的。

图1 各类医学影像

其中，3D影像能够更直观辅助医生提升诊断效率。但医学影像的读片工作对专业知识要求高，这样繁重且重复性较高的阅片工作，仅能由专业的影像科医生完成。另一方面，医学影像在医学检查中愈发常见，对阅片专家的需求也在增加。随着深度学习技术的发展，我们看到了使用AI技术辅助医生快速分析阅片、减轻阅片工作负担的可能性。

为了更好地使用前沿AI技术辅助医生快速阅片分析、帮助患者更快地获得影像检查结果， 百度飞桨PaddleSeg产研团队联合百度智慧医疗部影像团队、广州第一人民医院南沙医院放射科 及韩霖、郎督等飞桨PPSIG的成员们基于PaddleSeg开发了全流程 3D 医学图像分割工具 MedicalSeg 。

图2 MedicalSeg医学影像分割工具介绍

MedicialSeg以模块化的形式，提供了从数据处理、模型训练、可视化验证到部署的全流程。提供了 高精度的VNet、UNet模型 ，支持 7种 不同格式的3D数据读取， 6种 3D数据变换、 12类 器官数据预处理，方便医疗从业者快速构建医疗识别模型，高效进行图像识别。

 

在这里给大家献上链接，欢迎大家体验！

记得Star收藏跟进最新状态！传送门：

https://github.com/PaddlePaddle/PaddleSeg/tree/release/2.5/contrib/MedicalSeg

 

MedicalSeg3D究竟具备哪些优点？在这里为大家一一展开。

为了更方便地简化流程，首先，通过一键数据预处理，确认数据的正确性，随后开始训练和评估，过程中随时可以查看预测结果的3D可视化，获得满足精度的模型之后，我们对其进行导出和部署，从而获取更快的推理速度为应用服务。

完整的流程图如图所示:

图3 MedicalSeg可视化功能展示

模型丰富先进高效

MedicalSeg涵盖了主流的UNet、VNet等3D分割模型，其中VNet在COVID-19 CT scans数据集中，在COVID-19 CT scans 中达到了 97.04% 的 平均Dice 系数，实现的效果超越业界认可的medical zoo的精度。

产业实用、极致推理优化

MedicalSeg使用 CuPy 在数据预处理中添加 GPU 加速。 与CPU 上的预处理数据相比，加速使我们在数据预处理中使用的时间减少了大约 40%。 下面显示了加速前后，我们花在处理 COVID-19 CT scans 数据集预处理上的时间。

听完介绍，大家是否已经跃跃欲试？

更多详细细节请参考：

https://github.com/PaddlePaddle/PaddleSeg/tree/release/2.5/contrib/MedicalSeg

直播预告

说了这么多，肯定还有小伙伴想问，技术上来说，3D医疗分割是怎么实现的呢？为了让开发者们更深入地了解MedicalSeg这个工具，解决落地应用难点，掌握产业实践的核心能力，飞桨团队精心准备了精品直播课！

4月27日20:30 ，百度资深高工将为我们详细介绍MedicalSeg开发的历程以及使用方式。此后两天，还有分割拓展应用梳理及产业案例全流程实操，对各类痛点、难点、解决方案进行手把手教学，直播现场支持互动答疑，还在等什么！抓紧扫码上车吧！

点击阅读原文立即报名

数据引用：

图1来源（从左到右）

• 彩超数据：百度大脑和中山大学中山眼科中心联合举办的iChallenge比赛

• X-ray影像:2017RSNA骨龄预测比赛

• CT影像:4C 2021 医学影像挑战赛

• MRI影像：开源数据集MRISpineSeg spine dataset

图2来源（从左到右）

• 肺部数据：开源数据集COVID-19 CT scans lung dataset

• 椎骨数据：开源数据集MRISpineSeg spine dataset

图3来源（从左到右）

• 肺部数据：开源数据集COVID-19 CT scans lung dataset

• 椎骨数据：开源数据集MRISpineSeg spine dataset

关注【飞桨PaddlePaddle】公众号

获取更多技术内容~