# 医用画像解析

PyTorchベースのDeepLabV3Plus画像セグメンテーションモデル、効率的なセマンティックセグメンテーションタスクをサポート

PyTorchベースのUnet画像セグメンテーションモデル、複数のエンコーダーアーキテクチャと事前学習済み重みをサポート

PyTorchベースのセマンティックセグメンテーションモデルで、複数のエンコーダーアーキテクチャをサポートし、画像セグメンテーションタスクに適しています。

H0-miniはOwkinとBioptimusが共同開発した軽量な組織学基礎モデルで、Vision Transformerアーキテクチャに基づき、自己教師あり蒸留法で訓練され、病理学画像解析に適しています。

スクリーニングマンモグラフィーに基づく乳がんと乳腺密度を予測する統合モデルで、3つの異なる解像度のCNNネットワークを使用して推論を行う

open_clipライブラリを基にしたゼロショット画像分類モデルで、医療分野の画像分析に特化

PyTorchベースのセマンティックセグメンテーションモデル、複数のエンコーダーアーキテクチャをサポート

LinknetはPyTorchで実装された画像セグメンテーションモデルで、セマンティックセグメンテーションタスクに適しています。

CLIPアーキテクチャに基づく医療分野向けゼロショット画像分類モデル

PhikonはiBOTでトレーニングされた組織病理学の自己教師あり学習モデルで、主に組織学的画像パッチから特徴を抽出するために使用されます。

画像セグメンテーションタスク用の深層学習モデルで、画像内の異なるオブジェクトや領域を正確に分割できます。

nvidia/mit-b0モデルをIsaacks/ihc_slide_tissueデータセットで微調整した画像分割モデル

Sribd-medチームが開発した細胞分割モデルで、マルチモーダル画像における細胞インスタンスセグメンテーションタスクに適しています

GoogleのViTモデルを胸部画像データセットでファインチューニングした画像分類モデルで、精度は99%

DenseNetアーキテクチャに基づく畳み込みニューラルネットワークで、X線画像分類タスク向けに設計されており、密結合ブロックを通じて層間の密な接続を実現。