医疗从业者的福音，飞桨开源全流程3D医疗分割开发工具MedicalSeg

医学影像是临床疾病诊断的重要方式，高效精准的从影像中识别出器官结构或病变，是医学影像学中重要的课题。根据成像原理，医疗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。

其中，3D影像能够更直观辅助医生提升诊断效率。但医疗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，医疗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、广州第一人民医院南沙医院放射科及其他社区开发者基于PaddleSeg开发了全流程 3D 医学图像分割工具MedicalSeg。

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

那么MedicalSeg3D具备哪些优点呢？在这里一一为大家展开 ### 全流程覆盖、极简开发 为了更方便的简化流程，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:

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。

怎么样，听完介绍，大家一定想要跃跃欲试吧，更多详细细节请参考 https://github.com/PaddlePaddle/PaddleSeg/tree/release/2.5/contrib/MedicalSeg