Densenet121 Res224 Chex

🚀 densenet121-res224-chex

DenseNet是一種卷積神經網絡，它通過密集塊（Dense Blocks）在各層之間建立密集連接，在這種結構中，所有層（特徵圖尺寸匹配）都直接相互連接。為保持前饋特性，每一層會從前面所有層獲取額外輸入，並將自身的特徵圖傳遞給後面所有層。該模型可用於X光圖像分類，具有重要的醫學應用價值。

🚀 快速開始

DenseNet是一種卷積神經網絡，它通過密集塊（Dense Blocks）在各層之間建立密集連接，在這種結構中，所有層（特徵圖尺寸匹配）都直接相互連接。為保持前饋特性，每一層會從前面所有層獲取額外輸入，並將自身的特徵圖傳遞給後面所有層。

✨ 主要特性

• 利用密集連接：通過Dense Blocks在各層之間建立密集連接，增強特徵傳播。
• 前饋特性：每一層從前面所有層獲取額外輸入，並將自身特徵圖傳遞給後續層。
• 多輸出：每個預訓練模型有18個輸出。

📦 安裝指南

文檔未提供具體安裝步驟，故跳過此章節。

💻 使用示例

基礎用法

以下是如何使用此模型對X光圖像進行分類的示例：

注意：每個預訓練模型有18個輸出。all模型的每個輸出都經過訓練。然而，對於其他權重，某些目標未經過訓練，會隨機預測，因為它們不存在於訓練數據集中。唯一有效的輸出列在對應權重的數據集的{dataset}.pathologies字段中。

模型的基準測試信息請參考：BENCHMARKS.md

import urllib.request

import skimage
import torch
import torch.nn.functional as F
import torchvision
import torchvision.transforms

import torchxrayvision as xrv

model_name = "densenet121-res224-chex"

img_url = "https://huggingface.co/spaces/torchxrayvision/torchxrayvision-classifier/resolve/main/16747_3_1.jpg"
img_path = "xray.jpg"
urllib.request.urlretrieve(img_url, img_path)

model = xrv.models.get_model(model_name, from_hf_hub=True)

img = skimage.io.imread(img_path)
img = xrv.datasets.normalize(img, 255)

# Check that images are 2D arrays
if len(img.shape) > 2:
    img = img[:, :, 0]
if len(img.shape) < 2:
    print("error, dimension lower than 2 for image")

# Add color channel
img = img[None, :, :]

transform = torchvision.transforms.Compose([xrv.datasets.XRayCenterCrop()])

img = transform(img)

with torch.no_grad():
    img = torch.from_numpy(img).unsqueeze(0)
    preds = model(img).cpu()
    output = {
        k: float(v)
        for k, v in zip(xrv.datasets.default_pathologies, preds[0].detach().numpy())
    }
print(output)

更多代碼示例請參考：example scripts。

📚 詳細文檔

模型輸出說明

每個預訓練模型有18個輸出。all模型的每個輸出都經過訓練。然而，對於其他權重，某些目標未經過訓練，會隨機預測，因為它們不存在於訓練數據集中。唯一有效的輸出列在對應權重的數據集的{dataset}.pathologies字段中。

基準測試

模型的基準測試信息請參考：BENCHMARKS.md

📄 許可證

本項目採用Apache-2.0許可證。

📚 引用

主要的TorchXRayVision論文

• 標題：TorchXRayVision: A library of chest X-ray datasets and models
• 作者：Joseph Paul Cohen, Joseph D. Viviano, Paul Bertin, Paul Morrison, Parsa Torabian, Matteo Guarrera, Matthew P Lungren, Akshay Chaudhari, Rupert Brooks, Mohammad Hashir, Hadrien Bertrand
• BibTeX引用：

@article{Cohen2020xrv,
author = {Cohen, Joseph Paul and Viviano, Joseph D. and Bertin, Paul and Morrison, Paul and Torabian, Parsa and Guarrera, Matteo and Lungren, Matthew P and Chaudhari, Akshay and Brooks, Rupert and Hashir, Mohammad and Bertrand, Hadrien},
journal = {https://github.com/mlmed/torchxrayvision},
title = {{TorchXRayVision: A library of chest X-ray datasets and models}},
url = {https://github.com/mlmed/torchxrayvision},
year = {2020}
arxivId = {2111.00595},
}

發起庫開發的論文

• 標題：On the limits of cross-domain generalization in automated X-ray prediction
• 作者：Joseph Paul Cohen, Mohammad Hashir, Rupert Brooks, Hadrien Bertrand
• BibTeX引用：

@inproceedings{cohen2020limits,
  title={On the limits of cross-domain generalization in automated X-ray prediction},
  author={Cohen, Joseph Paul and Hashir, Mohammad and Brooks, Rupert and Bertrand, Hadrien},
  booktitle={Medical Imaging with Deep Learning},
  year={2020},
  url={https://arxiv.org/abs/2002.02497}
}