# 医療画像分類

ResNet-50をファインチューニングした深層学習モデルで、心電図画像の分類と心臓疾患検出を補助

LeViT-128アーキテクチャに基づく視覚Transformerモデルで、脳卒中二値分類検出タスク向けに微調整

Facebook DINOv2 基本モデルを微調整した画像分類モデルで、特に糖尿病網膜症の検出に特化しており、評価セットで96.8%の精度を達成しました。

このモデルはmicrosoft/beit-base-patch16-224-pt22k-ft22kを基に、二値分類の脳卒中検出データセットでファインチューニングしたバージョンで、画像分類タスクに使用され、評価精度は92.22%を達成しました。

PyTorchとHuggingPicsを使用して構築された画像分類モデルで、さまざまな一般的な皮膚疾患を識別します。

Path Foundationは組織病理学アプリケーション向けの機械学習モデルで、自己教師あり学習で訓練され、H&E染色スライドから384次元の埋め込みベクトルを生成し、効率的な分類器モデルの訓練に使用できます。

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

視覚変換器(ViT)ベースの皮膚癌画像分類モデル、7種類の皮膚病変タイプを識別可能

Google ViTベースモデルをファインチューニングしたアルツハイマー病MRI画像分類モデルで、精度は92.6%

Swin Transformerアーキテクチャに基づく脳腫瘍検出モデルで、画像分類タスクにおいて98.04%の精度を達成

PyTorchフレームワークとHuggingPicsツールで生成された医療画像分類モデルで、さまざまな種類の肺組織画像を識別します。

GoogleのViTモデルを微調整した便画像分類用モデルで、精度は94.17%

にきびの重症度を評価する画像分類モデルで、にきびなしから極重度にきびまでの6段階分類をサポート

これはAutoTrainでトレーニングされた多クラス画像分類モデルで、認知症関連画像の分類タスク専用です。

AutoTrainでトレーニングされた肺超音波画像の多クラス分類モデルで、高い精度を有します

これはAutoTrainでトレーニングされた二値分類モデルで、肺炎関連の医療画像を検出するために使用されます。

このモデルはSwin Transformerアーキテクチャに基づく脳腫瘍画像分類モデルで、画像分類タスクにおいて優れた性能を発揮し、精度は99.49%に達します。

GoogleのViT-Largeモデルを微調整したメラノーマ画像分類モデルで、評価セットで82.73%の精度を達成

Swin Transformerアーキテクチャを微調整した脳腫瘍画像分類モデルで、評価セットでの精度は96.47%

ViTアーキテクチャに基づく胸部X線肺炎分類モデルで、肺炎データセットでファインチューニングされ、精度は90.06%に達しています