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

---

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 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 2025 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）。

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图像问题。

我们整合了几乎所有开源的 3D 医学分割数据集，组成了 M3D-Seg，共计 25 个。数据集可以被用来做语义分割、推理分割、指代分割和相应的检测定位任务。

M3D-Seg。

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。

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)。

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。

报告生成

灵感PPT

AI灵感PPT - 免费一键PPT生成工具

308 查看详情

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。

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，模型生成开放式的答案，不存在任何答案提示和候选。

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。

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

报告生成测评结果

封闭式 VQA 测评结果

在 TotalSegmentator 上测评的语义分割 Dice 结果

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。

以上就是涵盖文本、定位和分割任务，智源、港中文联合提出首个多功能3D医学多模态大模型的详细内容，更多请关注其它相关文章！

# git  # 理论  # 线上  # 提出了  # 智源  # 多模  # 首个  # 多功能  # type  # fig  # hugging face  # seo材质用于什么  # 银川装饰网站建设  # 海东地区网站优化  # 日料居酒屋营销推广策略  # 新车型推广营销方案策划  # 网站推广外链  # 丽水关键词排名优化获客  # 在你的眼中seo是什么  # 赣州网站建设方式  # 巩义网站seo优化公司  # 语言表达  # 丰田  # 至关重要  # 欢迎大家 

相关栏目： 【 Google疑问12 】 【 Facebook疑问10 】 【 优化推广96088 】 【 技术知识133117 】 【 IDC资讯59369 】 【 网络运营7196 】 【 IT资讯61894 】

相关推荐： 一文看懂基础模型的定义和工作原理  美的推出 AI 双视精准避障的自动集尘扫拖机器人 V12，售价仅为2999元  网易加速行业AI大模型应用，将覆盖100多个应用场景  人工智能快速发展 打开就业新空间  AIGC浪潮下，联想集团再加码计算与人工智能  学界业界大咖探讨：AI对数字艺术创新的推动力  AI生成会议纪要 百度如流升级推出超级助手、智能编码等功能  Midjourney创始人：AI应该成为人类思想的延伸  Databricks 发布大数据分析平台 Spark 用 AI 模型 SDK：一键生成 SQL 及 FySpark 语言图表代码  PS AI修图免费平替来了！Stability AI又放大招，核弹级更新一键扩图  微幼科技晨检机器人：幼儿园健康保障的新伙伴  AI智能室内效果图设计软件效果，确实惊到我了！  周鸿祎：360智脑开放API接口 AI大模型将赋能百行千业  Unity 内测 Safe Voice 服务，利用 AI 自动识别玩家不当聊天内容  闪电快讯|京东推出言犀AI大模型 面向零售、医疗、物流等产业场景  当TS遇上AI，会发生什么？  财联社首档运用虚拟人技术播报栏目《AI半小时》今晚上线！敬请期待  亚马逊CEO：人工智能将成为公司未来战略的重中之重  1000万张照片训练AI模型 科学家找到水下定位新方法  视觉中国推出付费AI绘图功能：无版权可用  亚太地区 70% 的企业高管正探索生成式 AI 应用或已经进行投资  OpenAI首席执行官表态支持欧盟AI监管  AI大模型，将为智慧城市带来哪些新变化？  工信部信通院发布《2025大模型和AIGC产业图谱》 360智脑覆盖全产业链  生成式AI对云运维的3大挑战  美图秀秀发布7款AI产品：支持用户创作、商业创作  微软最新推出的NaturalSpeech2语音合成模型：提供更准确的语音重构，避免棒读效果  售价14.99万起！小米汽车部分信息疑遭AI曝光，内部人士回应：网传图片明显经过处理，不可轻信  当一切设备都受到人工智能的控制  挤爆服务器，北大法律大模型ChatLaw火了：直接告诉你张三怎么判  Unity发布Sentis和Muse AI工具，助力创作游戏和3D内容  人工智能产业竞跑“未来赛道” 创新发展放大“赋能”效应  爱设计PPT发布第二代AI一键生成PPT产品：智能、个性化、自动化  最大助力35公斤 外骨骼机器人或在养老、医疗领域“大展身手”  小米首次曝光 64 亿参数的 MiLM-6B AI 大模型，或将应用于小爱同学  创新科学家成功研发FAST激光靶标维护机器人  谷歌新安卓机器人logo曝光：头更大了  干货满满，2025昆山元宇宙国际装备展等你来打卡！  第 66 届格莱美奖规定，AI 作品将无法获得评奖资格  Vision Pro 太贵，苹果基于 iPhone 的 VR 头显专利曝光  午报 | 字节跳动要造机器人；东方甄选首次启动自有APP|直播|  AI遇上大运丨热身拉伸、娱乐K歌……AI智能健身镜将亮相成都大运会  智能化解决方案：保障数据安全阻击泄露和丢失  选对AI智能写作软件，让创作游刃有余！  大疆 DJI Mini 4 Pro 无人机曝光：流线设计，有望迎来功能性提升  “思享荟”沙龙热议AIGC与元宇宙 复旦大学赵星畅谈深度数字化  两小时就能超过人类！DeepMind最新AI速通26款雅达利游戏  “痴迷”元宇宙，魔珐科技想做什么？  人工智能产业协同创新中心：全产业链资源在这里汇聚  尼康尼克尔 Z 180-600mm f/5.6-6.3 VR 镜头发布，12499 元 

 2024-06-24