美国芝加哥—RSNA—2018 年 11 月 28 日—基于深度学习的注释和分割可以大幅加快模型开发和医学影像分析的速度。然而，从零开始开发高性能且精确的深度神经网络非常具有挑战性，而且很耗费时间。所需数据集的成本和质量往往是开发者要面对的两大主要障碍。为帮助加快医学影像领域的创新，NVIDIA 宣布推出适用于医学影像的迁移学习工具包和 AI 辅助注释 SDK。

NVIDIA 迁移学习工具包

通过 NVIDIA 迁移学习工具包 (TLT)，医学影像领域的深度学习应用程序开发者可以利用 NVIDIA 预训练模型，展开简单易用的训练工作流程，进而利用自己的数据集微调并重新训练模型。

TLT 是一个 Python 软件包，其中每个模型都在 NVIDIA Pascal、Volta 和 Turing GPU 上进行优化和训练，以达到更高精确度。

在 2018 年 MICCAI 上，NVIDIA 凭借使用自动编码器正则化方法进行的 3D 核磁共振成像 (MRI) 脑部肿瘤分割，获得了BrATS 挑战赛第一名。作为医学影像软件 TLT 的一部分，NVIDIA 在首个公开发布版本中提供此预训练模型。对多模态 MR 数据和 3-D 胰腺进行 3-D 脑部肿瘤分割以及对门静脉期 CT 数据进行肿瘤分割是在公共数据集上训练的部分模型，这些数据集可以在工具包中轻松获取。

使用 NVIDIA 迁移学习工具包，开发者可以加快部署并减少构建应用程序所需的计算资源。利用此工具包，研究人员还可以将预训练模型扩展到自己的工作中。通过简单易用的 API，开发者可以快速地调整并使用此技术。

使用 TLT 工作流程的模型也可以轻松部署至 Clara 平台中以进行推理。

TLT 将可用于 NVIDIA Tesla 和 DGX 产品。