作者 | 香港中文大学白帆
编辑 | ScienceAI
近日，香港中文大学和智源联合提出的 M3D 系列工作，包括 M3D-Data, M3D-LaMed 和 M3D-Bench，从数据集、模型和测评全方面推动 3D 医学图象阐发的发展。
（1）M3D-Data 是目前最大的 3D 医学图象数据集，包括 M3D-Cap (120K 3D 图文对), M3D-VQA (510K 问答对)，M3D-Seg（150K 3D Mask），M3D-RefSeg (3K 推理支解)共四个子数据集。
（2）M3D-LaMed 是目前最多功能的 3D 医学多模态大模型，能够解决文本（疾病诊断、图象检索、视觉问答、讲演生成等），定位（目标检测、视觉定位等）和支解（语义支解、指代支解、推理支解等）三类医学阐发工作。
（3）M3D-Bench 能够全面和自动评估 8 种工作，涵盖文本、定位和支解三个方面，并提供人工校验后的测试数据。
我们最早于 2024 年 4 月发布了数据集、模型和代码。
近期，我们提供了更小和更强的 M3D-LaMed-Phi-3-4B 模型，并增加了线上 demo 供大家体验！
最新进展请关注 GitHub 库的更新 ，如果有任何疑问和建议可以及时联系，欢迎大家讨论和支持我们的工作。
论文链接：https://arxiv.org/abs/2404.00578代码：https://github.com/BAAI-DCAI/M3D模型：https://huggingface.co/GoodBaiBai88/M3D-LaMed-Phi-3-4B数据集：https://github.com/BAAI-DCAI/M3D?tab=readme-ov-file#data线上 Demo：https://baai.rpailab.xyz/
我们能为医学图象相关研究者提供什么？
M3D-Data, 最大的 3D 医学多模态数据集；M3D-Seg，整合了几乎所有开源 3D 医学支解数据集，共计 25 个；M3D-LaMed, 支持文本、定位和支解的最多功能的 3D 医学多模态大模型，提供了简洁清晰的代码框架，研究者可以轻易魔改每个模块的设置；M3D-CLIP，基于 M3D-Cap 3D 图文对，我们训练了一个图文对比学习的 M3D-CLIP 模型，共提供其中的视觉预训练权重 3DViT；M3D-Bench，全面和清晰的测评方案和代码。本文涉及的所有资源全部开放，希望能帮助研究者共同推进 3D 医学图象阐发的发展。
线上Demo视频。
医学图象阐发对临床诊断和治疗至关重要，多模态大语言模型 (MLLM) 对此的支持日益增多。然而，先前的研究主要集中在 2D 医学图象上，尽管 3D 图象具有更丰富的空间信息，但对其的研究和探索还不够。
本文旨在利用 MLLM 推进 3D 医学图象阐发。为此，我们提出了一个大规模 3D 多模态医学数据集 M3D-Data，其中包含 120K 个图象-文本对和 662K 个指令-响应对，专门针对各种 3D 医学工作量身定制，例如图文检索、讲演生成、视觉问答、定位和支解。
此外，我们提出了 M3D-LaMed，这是一种用于 3D 医学图象阐发的多功能多模态大语言模型。
我们还引入了一个新的 3D 多模态医学基准 M3D-Bench，它有助于在八个工作中进行自动评估。通过综合评估，我们的方法被证明是一种稳健的 3D 医学图象阐发模型，其表现优于现有解决方案。所有代码、数据和模型均可在以下网址公开获取。
数据集
M3D-Data 共包括4个子数据集，分别为M3D-Cap（图文对）, M3D-VQA（视觉问答对）, M3D-RefSeg（推理支解）和 M3D-Seg（整合 25 个 3D 支解数据集）。
数据集统计情况。
M3D-VQA 数据集分布。其中问题类型主要包括平面、期相、器官、异常和定位五类常见的3D图象问题。
我们整合了几乎所有开源的 3D 医学支解数据集，组成了 M3D-Seg，共计 25 个。数据集可以被用来做语义支解、推理支解、指代支解和相应的检测定位工作。
M3D-Seg。
模型
M3D-LaMed 模型结构如下图所示。（a）3D 图象编码器通过跨模态对比学习损失由图文数据进行预训练，可直接应用于图文检索工作。（b）在 M3D-LaMed 模型中，3D 医学图象被输入到预先训练的 3D 图象编码器和高效的 3D 空间池化感知器中，并将视觉 token 插入 LLM，输出的 [SEG] 作为 prompt 驱动支解模块。
M3D-LaMed 模型结构。
实验
图文检索
在 3D 图文检索中，模型旨在根据相似性从数据集中匹配图象和文本，通常涉及两个工作：文本到图象检索 (TR) 和图象到文本检索 (IR)。
由于缺乏合适的方法，我们将 2D 医学的代表模型 PMC-CLIP 应用于 3D 图文检索中，我们发现由于缺乏空间信息，几乎无法和 3D 图文检索模型对比。
讲演生成
在讲演生成中，该模型根据从 3D 医学图象中提取的信息生成文本讲演。
封闭式视觉问答
在封闭式视觉问答中，需要为模型提供封闭的谜底候选，例如 A,B,C,D，要求模型从候选中选出正确谜底。
我们发现在医学领域 M3D-LaMed 超过通用的 GPT-4V。
开放式视觉问答
在开放式视觉问答中，模型生成开放式的谜底，不存在任何谜底提示和候选。
我们发现在医学领域 M3D-LaMed 超过通用的 GPT-4V。不过需注意目前GPT-4V 限制了医疗相关问题的回答。
定位
定位在视觉语言工作中至关重要，尤其是涉及输入和输出框的工作。在输出框的工作，如指代表达理解 (REC) ，旨在根据指代表达在图象中定位目标对象。相比之下，在输入框的工作，如指代表达生成 (REG) ，要求模型根据图象和位置框生成特定区域的描述。
支解
支解工作在 3D 医学图象阐发中至关重要，因为它具有识别和定位功能。为了解决各种文本提示，支解分为语义支解和指代表达支解。对于语义支解，该模型根据语义标签生成支解掩码。指代表达支解需要根据自然语言表达描述进行目标支解，需要模型具有一定的理解和推理的能力。
分布外 (OOD) 问题的案例研究
我们在 OOD 对话中测试了 M3D-LaMed 模型，这意味着所有问题都与我们的训练数据不相关。我们发现 M3D-LaMed 具有很强的泛化能力，可以对 OOD 问题产生合理的谜底，而不是胡言乱语。在每组对话中，左侧的头像和问题来自用户，右侧的头像和谜底来自 M3D-LaMed。
模型具有很强的推理能力和泛化能力。
我们最新训练的更小的 M3D-LaMed-Phi-3-4B 模型具有更好的表现，欢迎大家使用！GoodBaiBai88/M3D-LaMed-Phi-3-4B · Hugging Face
讲演生成测评结果
封闭式 VQA 测评结果
在 TotalSegmentator 上测评的语义支解 Dice 结果
总结
我们 M3D 系列研究促进了使用 MLLM 进行 3D 医学图象阐发。具体来说，我们构建了一个大规模 3D 多模态医学数据集 M3D-Data，其中包含 120K 3D 图象文本对和 662K 指令响应对，专为 3D 医学工作量身定制。此外，我们提出了 M3D-LaMed，这是一个通用模型，可处理图象文本检索、讲演生成、视觉问答、定位和支解。此外，我们引入了一个综合基准 M3D-Bench，它是为八个工作精心设计的。
我们的方法为 MLLM 理解 3D 医学场景的视觉和语言奠定了坚实的基础。我们的数据、代码和模型将促进未来研究中对 3D 医学 MLLM 的进一步探索和应用。希望我们的工作能够为领域研究者带来帮助，欢迎大家使用和讨论。