MedicalNet

本仓库包含 Med3D: 用于三维医学图像分析的迁移学习 的 PyTorch 实现。 许多研究表明，深度学习模型的性能会显著受到训练数据量的影响。MedicalNet 项目整合了具有不同模态、目标器官和病理类型的多中心数据集，构建了一个相对较大的数据集。基于该数据集，我们提供了一系列预训练的 3D-ResNet 模型以及相应的迁移学习训练代码。

许可证

MedicalNet 根据 MIT 许可证发布（详情请参阅 LICENSE 文件）。

引用 MedicalNet

如果您使用了此代码或预训练模型，请引用以下文献：

    @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}
    }

更新（2019年7月30日）

我们上传了基于更多数据集（共23个数据集）的4个预训练模型：

模型名称             : 参数设置
resnet_10_23dataset.pth: --model resnet --model_depth 10 --resnet_shortcut B
resnet_18_23dataset.pth: --model resnet --model_depth 18 --resnet_shortcut A
resnet_34_23dataset.pth: --model resnet --model_depth 34 --resnet_shortcut A
resnet_50_23dataset.pth: --model resnet --model_depth 50 --resnet_shortcut B

我们将上述预训练模型迁移到 Visceral 数据集上的多类分割任务（左肺、右肺和背景）。结果如下：

网络	预训练	肺部分割(Dice)
3D-ResNet10	从零开始训练	69.31%
	MedicalNet	96.56%
3D-ResNet18	从零开始训练	70.89%
	MedicalNet	94.68%
3D-ResNet34	从零开始训练	75.25%
	MedicalNet	94.14%
3D-ResNet50	从零开始训练	52.94%
	MedicalNet	89.25%

目录

1. 要求
2. 安装
3. 演示
4. 实验
5. 待办事项
6. 致谢

要求

• Python 3.7.0
• PyTorch 0.4.1
• CUDA 9.0 版本
• CUDNN 7.0.5

安装

• 安装 Python 3.7.0
• 使用 pip 安装依赖库：pip install -r requirements.txt

演示

• 数据目录结构

MedicalNet 用于将预训练模型迁移到其他数据集（此处以 MRBrainS18 数据集为例）。
MedicalNet/
    |--datasets/：数据预处理模块
    |   |--brains18.py：MRBrainS18 数据预处理脚本
    |	|--models/：模型构建模块
    |   |--resnet.py：3D-ResNet 网络构建脚本
    |--utils/：工具模块
    |   |--logger.py：日志记录脚本
    |--toy_data/：用于 CI 测试
    |--data/：数据存储模块
    |   |--MRBrainS18/：MRBrainS18 数据集
    |	|   |--images/：以患者 ID 命名的原始图像
    |	|   |--labels/：以患者 ID 命名的标签掩码
    |   |--train.txt：训练数据列表
    |   |--val.txt：验证数据列表
    |--pretrain/：预训练模型存储模块
    |--model.py：网络处理脚本
    |--setting.py：参数设置脚本
    |--train.py：MRBrainS18 训练演示脚本
    |--test.py：MRBrainS18 测试演示脚本
    |--requirement.txt：依赖库列表
    |--README.md

• 网络结构与参数设置

模型名称   : 参数设置
resnet_10.pth: --model resnet --model_depth 10 --resnet_shortcut B
resnet_18.pth: --model resnet --model_depth 18 --resnet_shortcut A
resnet_34.pth: --model resnet --model_depth 34 --resnet_shortcut A
resnet_50.pth: --model resnet --model_depth 50 --resnet_shortcut B
resnet_101.pth: --model resnet --model_depth 101 --resnet_shortcut B
resnet_152.pth: --model resnet --model_depth 152 --resnet_shortcut B
resnet_200.pth: --model resnet --model_depth 200 --resnet_shortcut B

• 成功完成基础安装后，即可运行演示。

1. 克隆 MedicalNet 仓库

git clone https://github.com/Tencent/MedicalNet

2. 下载数据及预训练模型（Google Drive 或 腾讯微云)。

   解压并移动文件

mv MedicalNet_pytorch_files.zip MedicalNet/.
cd MedicalNet
unzip MedicalNet_pytorch_files.zip

3. 运行训练代码（例如 3D-ResNet-50）

python train.py --gpu_id 0 1    # 在 GPU 0 和 1 上进行多 GPU 训练
或
python train.py --gpu_id 0    # 在 GPU 0 上进行单 GPU 训练

4. 运行测试代码（例如 3D-ResNet-50）

python test.py --gpu_id 0 --resume_path trails/models/resnet_50_epoch_110_batch_0.pth.tar --img_list data/val.txt

实验

• 计算成本

GPU：NVIDIA Tesla P40

网络	参数量（M）	运行时间（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

• 性能

我们方法与对比方法在相同训练轮次后的分割结果可视化。
这表明基于我们的MedicalNet预训练模型，在训练收敛效率和精度方面具有优势。

将MedicalNet预训练模型迁移应用于肺部分割（LungSeg）和肺结节分类（NoduleCls），分别采用Dice系数和准确率作为评估指标的结果。

网络	预训练方式	LungSeg（Dice）	NoduleCls（准确率）
3D-ResNet10	从零开始训练	71.30%	79.80%
	MedicalNet	87.16%	86.87%
3D-ResNet18	从零开始训练	75.22%	80.80%
	MedicalNet	87.26%	88.89%
3D-ResNet34	从零开始训练	76.82%	83.84%
	MedicalNet	89.31%	89.90%
3D-ResNet50	从零开始训练	71.75%	84.85%
	MedicalNet	93.31%	89.90%
3D-ResNet101	从零开始训练	72.10%	81.82%
	MedicalNet	92.79%	90.91%
3D-ResNet152	从零开始训练	73.29%	73.74%
	MedicalNet	92.33%	90.91%
3D-ResNet200	从零开始训练	71.29%	76.77%
	MedicalNet	92.06%	90.91%

• 更多详情请参阅Med3D：面向三维医学图像分析的迁移学习：

待办事项

• 3D-ResNet系列预训练模型
• 迁移学习训练代码
• 多GPU训练
• 3D高效预训练模型（例如，3D-MobileNet、3D-ShuffleNet）
• 2D医学预训练模型
• 基于更多医学数据集的预训练MedicalNet模型

致谢

我们感谢3D-ResNets-PyTorch和MRBrainS18，MedicalNet的构建参考了他们的开源代码和数据集。

贡献

如果您希望为MedicalNet做出贡献，请务必查阅贡献指南。

MedicalNet 快速上手指南

MedicalNet 是一个基于 PyTorch 的 3D 医学图像分析迁移学习项目，提供了在多种模态、器官和病理数据上预训练的 3D-ResNet 模型，旨在解决医学影像领域训练数据不足的问题。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统: Linux (推荐)
• Python: 3.7.0
• PyTorch: 0.4.1
• CUDA: 9.0
• cuDNN: 7.0.5

注意：由于项目依赖较旧版本的 PyTorch 和 CUDA，建议创建独立的虚拟环境以避免版本冲突。

安装步骤

1. 克隆项目代码

使用 git 克隆 MedicalNet 仓库：

git clone https://github.com/Tencent/MedicalNet
cd MedicalNet

2. 安装依赖库

安装项目所需的 Python 依赖包：

pip install -r requirements.txt

(注：若国内下载缓慢，可添加 -i https://pypi.tuna.tsinghua.edu.cn/simple 使用清华镜像源)

3. 下载数据与预训练模型

项目提供了 Google Drive 和 腾讯微云 下载链接，国内用户推荐使用腾讯微云加速下载。

• 下载地址: 腾讯微云
• 文件处理: 下载 MedicalNet_pytorch_files.zip 后，将其移动到项目根目录并解压：

mv MedicalNet_pytorch_files.zip MedicalNet/.
cd MedicalNet
unzip MedicalNet_pytorch_files.zip

解压后的目录结构将包含数据集示例 (data/MRBrainS18)、预训练模型 (pretrain) 及脚本文件。

基本使用

本项目以 MRBrainS18 数据集为例，演示如何加载预训练模型进行训练和测试。

1. 开始训练

使用预训练的 3D-ResNet-50 模型进行训练。

单卡训练：

python train.py --gpu_id 0

多卡训练（例如使用 GPU 0 和 1）：

python train.py --gpu_id 0 1

2. 模型测试

训练完成后，使用保存的检查点进行测试评估：

python test.py --gpu_id 0 --resume_path trails/models/resnet_50_epoch_110_batch_0.pth.tar --img_list data/val.txt

3. 更换模型架构

MedicalNet 提供了多种深度的 ResNet 预训练权重（10, 18, 34, 50, 101, 152, 200）。在使用不同模型时，需在运行脚本时通过参数指定对应的网络结构。

例如，使用 ResNet-18 的参数配置如下：

--model resnet --model_depth 18 --resnet_shortcut A

常用模型参数对照表：

模型名称	参数设置命令片段
resnet_10	--model resnet --model_depth 10 --resnet_shortcut B
resnet_18	--model resnet --model_depth 18 --resnet_shortcut A
resnet_34	--model resnet --model_depth 34 --resnet_shortcut A
resnet_50	--model resnet --model_depth 50 --resnet_shortcut B

更多详细实验数据和原理说明，请参考原论文 Med3D: Transfer Learning for 3D Medical Image Analysis。