# 医療画像分析

MedGemma-4B-it-Q8_0-GGUF は google/medgemma-4b-it を基に変換された GGUF フォーマットのモデルで、医療分野の画像テキストからテキストへのタスク専用に設計されています。

AKIはマルチモーダル基盤モデルで、LLM内の因果的注意メカニズムを解放することでクロスモーダル相互注意(MMA)を実現し、視覚と言語のミスアライメント問題を解決します。追加パラメータやトレーニング時間を増やす必要はありません。

EraX-VL-7B-V2.0-Previewは、OCRと視覚的質問応答のために設計された強力なマルチモーダルモデルで、ベトナム語を含む複数言語の処理に優れ、医療用フォームや請求書などのドキュメント認識で特に優れた性能を発揮します。

GenMedClipは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、医療画像分析に特化しています。

このモデルは骨年齢予測に使用され、YassinHegazy/xray-modelベースモデルに基づいて構築されています。

ResNet18アーキテクチャに基づく脳MRI画像分類モデル、がん検出用

CheXagentは胸部X線画像の自動分析と解釈に特化した基礎モデルです。

Vision Transformer (ViT)アーキテクチャを使用した顔画像分類モデルで、乾燥肌、普通肌、脂性肌の3つの皮膚タイプを検出

CheXagentは胸部レントゲンの解釈に使用される基礎モデルで、医療分野における胸部レントゲン画像の専門的な解釈を支援します。

DINOv2ベースモデルを微調整した皮膚疾患分類モデルで、ISIC 2018+Atlas Dermatologyデータセットにおいて95.57%の精度を達成。

nvidia/mit-b0を基にtontokoton/artery-ultrasound-siitデータセットでファインチューニングした画像分割モデル

SegFormerアーキテクチャに基づく網膜眼底画像分割モデルで、視盤と視杯の正確な分割に特化しています。

EfficientNetアーキテクチャに基づくパーキンソン病予測モデルで、患者の描画を分析して約83%の精度を実現

GoogleのViTモデルを微調整し、糖尿病網膜症の分類タスクに使用し、正解率は74.31%です。

ClipMDはOpenAIのCLIPモデルを基に開発された医療画像テキストマッチングモデルで、スライディングウィンドウテキストエンコーダーを採用し、医療分野の画像分類タスクに特化しています。

これは自動トレーニングプロセスで構築された二値分類視覚モデルで、医療画像分類タスクに優れています。

Vision Transformerアーキテクチャに基づく画像分類モデルで、BIRADS分類タスク向けにファインチューニングされています

microsoft/resnet-50をファインチューニングした脳腫瘍画像分類モデルで、評価セットでの精度は91.71%

Swin Transformerアーキテクチャに基づく微調整モデルで、皮膚癌画像分類タスク専用

Swin Transformerアーキテクチャに基づくファインチューニングモデルで、皮膚癌画像分類タスク専用

これはAutoTrainで訓練された多クラス画像分類モデルで、組織病理学画像分類タスクに特化しています。

Google Vision Transformer (ViT)アーキテクチャに基づく二分類画像分類モデルで、特定のデータセットで微調整され高精度分類を実現

Swin Transformerアーキテクチャに基づく視覚モデルで、脳腫瘍画像分析のためにファインチューニングされています

これはPyTorchとHuggingPicsを使用して構築された画像分類モデルで、歯茎の健康状態を検出するために特別に設計されています。

このモデルはmicrosoft/swin-tiny-patch4-window7-224をファインチューニングした皮膚がん画像分類モデルで、精度は72.75%です。

DenseNet121アーキテクチャの事前学習済みモデルで、胸部X線画像分類タスク専用に設計されており、18の出力目標を持ちます。

これは肺炎予測のための画像分類モデルで、ビーレフェルト大学深層学習コースの課題用に準備されました。

様々な自然言語タスクを処理できる多機能の大規模言語モデル

Vision Transformerアーキテクチャに基づくfMRI画像分類モデル、HuggingPicsで自動生成