智源与港中文联合提出首个多功能 3D 医学多模态大模型
智源研究院和香港中文大学联合提出的 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。该系列研究旨在利用多模态大语言模型（MLLM）推进 3D 医学图像分析，解决现有研究主要集中在 2D 医学图像而忽视 3D 空间信息的问题。
摘要
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。此外，我们引入了一个新的 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、数据和模型均可公开获取。
数据集：M3D-Data
M3D-Data 是目前最大的 3D 医学图像数据集，整合了几乎所有开源的 3D 医学分割数据集，共计 25 个。它包含四个子数据集：
- M3D-Cap：包含 120K 个 3D 图文对，用于训练模型的图文理解能力。
- M3D-VQA：包含 510K 个问答对，涵盖封闭式和开放式问题，测试模型对医学图像的推理能力。
- M3D-Seg：包含 150K 个 3D Mask，用于语义分割任务的训练。
- M3D-RefSeg：包含 3K 个推理分割样本，用于指代分割任务。
模型：M3D-LaMed
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、定位和分割三类医学分析任务。该模型基于 M3D-Cap 3D 图文对训练了一个图文对比学习的 M3D-CLIP 模型，提供了其中的视觉预训练权重 3DViT。模型结构清晰，研究者可以轻易魔改每个模块的设置。
支持的任务类型
- 文本任务：包括疾病诊断、图像检索、视觉问答、报告生成等。
- 定位任务：包括目标检测、视觉定位、指代表达理解 (REC) 和指代表达生成 (REG)。
- 分割任务：包括语义分割、指代分割、推理分割等。
