By 超神經(jīng)

內(nèi)容概要：醫(yī)學(xué)圖像分析是一個非常復(fù)雜的跨學(xué)科領(lǐng)域，近日上海交通大學(xué)發(fā)布了 MedMNIST 數(shù)據(jù)集，有望促進(jìn)醫(yī)學(xué)圖像分析的發(fā)展。

關(guān)鍵詞：醫(yī)學(xué)圖像分析? ?公開數(shù)據(jù)集

?令人頭禿的醫(yī)學(xué)圖像分析

醫(yī)學(xué)圖像分析是一個公認(rèn)的「老大難」課題。

首先它是一個跨學(xué)科領(lǐng)域，要求從業(yè)者具備多方面知識背景，即使你是鉆研計算機(jī)視覺的專業(yè)人士，又或者是一個臨床醫(yī)學(xué)從業(yè)者，那你充其量只邁出了進(jìn)行醫(yī)學(xué)圖像分析的半只腳。

樂觀估計，經(jīng)過多年的學(xué)習(xí)和研究，你終于掌握了計算機(jī)視覺和臨床醫(yī)學(xué)的雙向技能，那接下來的操作也能讓你愁到頭禿，因?yàn)檫@些數(shù)據(jù)來源五花八門，有 X 射線、CT、超聲……分析處理這么多個不同模式的非標(biāo)準(zhǔn)數(shù)據(jù)集，也太難了！

這還沒完，深度學(xué)習(xí)雖然在醫(yī)學(xué)圖像分析的研究和應(yīng)用中，已經(jīng)占據(jù)主導(dǎo)地位，但模型調(diào)整需要的人力成本太高了，AutoML 好使是好使，但是目前基本沒有用于醫(yī)學(xué)圖像分類的 AutoML 基準(zhǔn)。

MedMNIST 分類十項(xiàng)全能一覽

醫(yī)學(xué)圖像分析困難重重，然而上海交通大學(xué)近期發(fā)布的 MedMNIST 數(shù)據(jù)集，則為終結(jié)這些老大難問題，帶來了一大利器。

?10 個公開數(shù)據(jù)集、45 萬張圖像重新整理

MedMNIST 是一個包含 10 個醫(yī)學(xué)公開數(shù)據(jù)集的集合，且全部數(shù)據(jù)均已經(jīng)過預(yù)處理，將其分為包括訓(xùn)練集、驗(yàn)證集、測試子集的標(biāo)準(zhǔn)數(shù)據(jù)集。數(shù)據(jù)來源包括 X 射線、OCT、超聲、CT 等不同成像模式，得到了同一病灶的多模態(tài)數(shù)據(jù)。與 MNIST 數(shù)據(jù)集一樣，MedMNIST 可以在輕量級 28*28 圖像上執(zhí)行分類任務(wù)。

十個數(shù)據(jù)集的數(shù)據(jù)模式、適用任務(wù)及圖像數(shù)量

MedMNIST 具有以下特點(diǎn)：

教育性：多模態(tài)數(shù)據(jù)來自于多個公共醫(yī)學(xué)圖像數(shù)據(jù)集，采用知識共享（CC）許可協(xié)議或自由許可協(xié)議，方便教學(xué)使用。

標(biāo)準(zhǔn)化：全部數(shù)據(jù)已經(jīng)預(yù)處理成相同的格式，降低準(zhǔn)入門檻，任何人都可以使用。

多樣性：多模態(tài)數(shù)據(jù)集涵蓋了不同的數(shù)據(jù)模式，數(shù)據(jù)規(guī)模從 100 到 100,000 都支持，任務(wù)類型也豐富為二元分類、多元分類、有序回歸和多標(biāo)簽。

輕量級：28*28 的圖像尺寸便于迅速進(jìn)行原型設(shè)計，對多模態(tài)機(jī)器學(xué)習(xí)和 AutoML 算法進(jìn)行快速迭代和實(shí)驗(yàn)。

MedMNIST Dataset

發(fā)布機(jī)構(gòu)：上海交通大學(xué)

包含數(shù)量：454,591 個圖像數(shù)據(jù)

數(shù)據(jù)格式：NPZ

數(shù)據(jù)大小：654 MB

發(fā)布時間：2020 年 10 月 28 日

下載地址：http://dwz.date/dew2

?十項(xiàng)全能大法好，打造 AutoML 新基準(zhǔn)?

受《醫(yī)學(xué)分割十項(xiàng)全能》（Medical Segmentation Decathlon）的啟發(fā)，上海交通大學(xué)的科研人員還發(fā)布了《MedMNIST 分類十項(xiàng)全能》 （MedMNIST Classification Decathlon），作為醫(yī)學(xué)圖像分類中的輕量級 AutoML 基準(zhǔn)。

科研人員用 MedMNIST 分類十項(xiàng)全能，評估了在全部 10 個數(shù)據(jù)集上的算法性能，并采取了其他幾個 baseline 方法與該基準(zhǔn)進(jìn)行對比，這些方法包括 ResNets（18、50）、auto-sklearn、AutoKeras、Google AutoML Vision。

MedMNIST 在 AUC 和 ACC 等指標(biāo)上的性能一覽

實(shí)驗(yàn)結(jié)果表明，針對全部 10 個數(shù)據(jù)集，都能取得很好的泛化性能的算法，在實(shí)驗(yàn)中并不存在。該實(shí)驗(yàn)對于探索在不同數(shù)據(jù)模式、任務(wù)類型和數(shù)據(jù)規(guī)模上，進(jìn)行很好地泛化的 AutoML 算法，意義重大。

MedMNIST 分類十項(xiàng)全能基準(zhǔn)測試，將促進(jìn)未來醫(yī)學(xué)圖像分析 AutoML 的相關(guān)研究。

相關(guān)論文：

https://arxiv.org/pdf/2010.14925.pdf

開源地址：

https://github.com/MedMNIST/MedMNIST

?現(xiàn)在下載數(shù)據(jù)集，開始你的訓(xùn)練

下載數(shù)據(jù)集，在線訓(xùn)練機(jī)器學(xué)習(xí)模型，你可以通過 OpenBayes 開啟你的練習(xí)。

OpenBayes?是一個針對機(jī)器學(xué)習(xí)提供云端算力的云服務(wù)平臺，它擁有大規(guī)模的超算集群，支持多種配置的 GPU、CPU 算力資源，擁有開箱即用泛用型機(jī)器學(xué)習(xí)建模系統(tǒng)，無需機(jī)器學(xué)習(xí)經(jīng)驗(yàn)，即可快速建立智能系統(tǒng)。

目前 OpenBayes 的算力容器產(chǎn)品已經(jīng)支持?TensorFlow、PyTorch、MXNet、Darknet、cpp-develop 等 CPU 和 GPU 環(huán)境下，不同版本、類型的標(biāo)準(zhǔn)機(jī)器學(xué)習(xí)框架和各種常用依賴。

同時 OpenBayes 還提供?CPU、NVIDIA T4、NVIDIA Tesla V100?等多種算力資源，無論是海量數(shù)據(jù)的集中訓(xùn)練，還是低功耗的模型常駐運(yùn)行，都能輕松滿足用戶需求。

目前 MedMNIST 數(shù)據(jù)集已經(jīng)上線 OpenBayes。

訪問以下鏈接或點(diǎn)擊閱讀原文，開啟你的 MedMNIST 探索旅程吧！

鏈接：http://dwz.date/dew2

—— 完 ——

往期精彩回顧適合初學(xué)者入門人工智能的路線及資料下載機(jī)器學(xué)習(xí)及深度學(xué)習(xí)筆記等資料打印機(jī)器學(xué)習(xí)在線手冊深度學(xué)習(xí)筆記專輯《統(tǒng)計學(xué)習(xí)方法》的代碼復(fù)現(xiàn)專輯 AI基礎(chǔ)下載機(jī)器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)專輯 獲取一折本站知識星球優(yōu)惠券，復(fù)制鏈接直接打開： https://t.zsxq.com/y7uvZF6 本站qq群704220115。加入微信群請掃碼：

總結(jié)

以上是生活随笔為你收集整理的【深度学习】上海交大发布 MedMNIST 医学图像分析数据集 新基准的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。