涵盖文本、定位和分割任务，智源、港中文联合提出首个多功能3D医学多模态大模型

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 医学图像分析的发展。

（1）M3D-Data 是目前最大的 3D 医学图像数据集，包括 M3D-Cap (120K 3D 图文对), M3D-VQA (510K 问答对)，M3D-Seg（150K 3D Mask），M3D-RefSeg (3K 推理分割)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、图像检索、视觉问答、报告生成等），定位（目标检测、视觉定位等）和分割（语义分割、指代分割、推理分割等）三类医学分析任务。

（3）M3D-Bench 能够全面和自动评估 8 种任务，涵盖文本、定位和分割三个方面，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/

我们能为医学图像相关研究者提供什么？

1. M3D-Data, 最大的 3D 医学多模态数据集；
2. M3D-Seg，整合了几乎所有开源 3D 医学分割数据集，共计 25 个；
3. M3D-LaMed, 支持文本、定位和分割的最多功能的 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；
4. 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；
5. M3D-Bench，全面和清晰的测评方案和代码。
6. 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 医学图像分析的发展。

线上Demo视频。

医学图像分析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 医学图像上，尽管 3D 图像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 医学图像分析。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 个图像-文本对和 662K 个指令-响应对，专门针对各种 3D 医学任务量身定制，例如图文检索、报告生成、视觉问答、定位和分割。

此外，我们提出了 M3D-LaMed，这是一种用于 3D 医学图像分析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，它有助于在八个任务中进行自动评估。通过综合评估，我们的方法被证明是一种稳健的 3D 医学图像分析模型，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（推理分割）和 M3D-Seg（整合 25 个 3D 分割数据集）。

模型

M3D-LaMed 模型结构如下图所示。（a）3D 图像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任务。（b）在 M3D-LaMed 模型中，3D 医学图像被输入到预先训练的 3D 图像编码器和高效的 3D 空间池化感知器中，并将视觉 token 插入 LLM，输出的 [SEG] 作为 prompt 驱动分割模块。

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像和文本，通常涉及两个任务：文本到图像检索 (TR) 和图像到文本检索 (IR)。

报告生成

在报告生成中，该模型根据从 3D 医学图像中提取的信息生成文本报告。

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答案候选，例如 A,B,C,D，要求模型从候选中选出正确答案。

开放式视觉问答

在开放式视觉问答中，模型生成开放式的答案，不存在任何答案提示和候选。

定位

定位在视觉语言任务中至关重要，尤其是涉及输入和输出框的任务。在输出框的任务，如指代表达理解 (REC) ，旨在根据指代表达在图像中定位目标对象。相比之下，在输入框的任务，如指代表达生成 (REG) ，要求模型根据图像和位置框生成特定区域的描述。

分割

分割任务在 3D 医学图像分析中至关重要，因为它具有识别和定位功能。为了解决各种文本提示，分割分为语义分割和指代表达分割。对于语义分割，该模型根据语义标签生成分割掩码。指代表达分割需要根据自然语言表达描述进行目标分割，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 问题产生合理的答案，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，右侧的头像和答案来自 M3D-LaMed。

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

总结

我们 M3D 系列研究促进了使用 MLLM 进行 3D 医学图像分析。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 图像文本对和 662K 指令响应对，专为 3D 医学任务量身定制。此外，我们提出了 M3D-LaMed，这是一个通用模型，可处理图像文本检索、报告生成、视觉问答、定位和分割。此外，我们引入了一个综合基准 M3D-Bench，它是为八个任务精心设计的。

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。