🚀 MedVAE

MedVAE是一系列包含六个可泛化的大规模2D和3D变分自编码器（VAE）的模型族，专为医学成像设计。它在跨越多个解剖区域和成像模态的超过一百万个医学图像上进行训练。MedVAE自编码器将医学图像编码为尺寸缩小的潜在表示，并将潜在表示解码回高分辨率图像。在从20个医学图像数据集中获得的各种任务中，我们证明了在训练下游模型时，使用MedVAE潜在表示代替高分辨率图像可以带来效率提升（吞吐量最高可提高70倍），同时保留与临床相关的特征。

[💻 Github] [📄 Paper]

🚀 快速开始

MedVAE是专为医学成像设计的变分自编码器模型族，通过在大量医学图像上训练，能有效编码和解码医学图像。使用其潜在表示训练下游模型可提升效率并保留关键特征。

✨ 主要特性

• 大规模训练：在超过一百万个医学图像上进行训练，涵盖多个解剖区域和成像模态。
• 高效编码解码：将医学图像编码为潜在表示，再解码回高分辨率图像。
• 效率提升：使用潜在表示训练下游模型，吞吐量最高可提高70倍。
• 特征保留：在提升效率的同时，保留与临床相关的特征。

📦 安装指南

常规安装

你可以通过以下命令轻松安装MedVAE：

pip install medvae

可编辑安装

若你需要进行开发，可以使用以下命令克隆并安装该项目：

git clone https://github.com/StanfordMIMI/MedVAE.git
cd medvae
pip install -e .[dev]

📚 详细文档

📌 模型描述

注意：模型权重和检查点文件位于model_weights文件夹中。

💻 使用示例

基础用法

我们提供了易于使用的命令行界面（CLI）推理工具，用于将高维医学图像压缩为可用的潜在表示：

medvae_inference -i INPUT_FOLDER -o OUTPUT_FOLDER -model_name MED_VAE_MODEL -modality MODALITY

📄 许可证

本项目采用MIT许可证。

📎 引用

如果你使用了MedVAE，请引用原始论文：

@misc{varma2025medvaeefficientautomatedinterpretation,
      title={MedVAE: Efficient Automated Interpretation of Medical Images with Large-Scale Generalizable Autoencoders}, 
      author={Maya Varma and Ashwin Kumar and Rogier van der Sluijs and Sophie Ostmeier and Louis Blankemeier and Pierre Chambon and Christian Bluethgen and Jip Prince and Curtis Langlotz and Akshay Chaudhari},
      year={2025},
      eprint={2502.14753},
      archivePrefix={arXiv},
      primaryClass={eess.IV},
      url={https://arxiv.org/abs/2502.14753}, 
}

若有任何问题，请在Github Issues中留言。