智源和港中文联合提出首个多功能3D医学多模态大模型（文本、定位和分割任务）

关注

原创最新推荐文章于 2026-04-27 11:27:29 发布 1.8k 阅读 AI 写同款· GEO 优化 ›

【论文精读】DeepAtlas：图像配准和分割的联合半监督学习 DeepAtlas: Joint Semi-Supervised Learning of Image Registration and Segmentation Xu, Zhenlin and M. Niethammer. “DeepAtlas: Joint Semi-Supervised Learning of Image Registration and Segmentation.” MICCAI (2019). Abstract Deep convolutional neural networks 阅读详情

智源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。

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。
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。
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 仓库的更新，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：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://e7e9a4f07f93722d27.gradio.live/ （国内体验地址在评论区）

我们能为医学图像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 医学分割数据集，共计 25 个；
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；
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 医学图像分析的发展。

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 (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。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、数据和模型均可在以下网址公开获取：https://github.com/BAAI-DCAI/M3D。

数据集

数据集统计情况

M3D-VQA 数据集分布

在这里插入图片描述
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

模型

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

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。

在这里插入图片描述
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。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述