Resencl OpenMind SimCLR

🚀 OpenMind基準3D自監督學習模型

本項目提供了基於OpenMind基準的預訓練模型，專注於3D醫學影像的自監督學習，為醫學影像分析提供了有效的預訓練權重，可用於下游的分割和分類任務。

🚀 快速開始

本倉庫託管了來自 OpenMind 基準的預訓練檢查點： 📄 An OpenMind for 3D medical vision self-supervised learning (Wald, T., Ulrich, C., Suprijadi, J., Ziegler, S., Nohel, M., Peretzke, R., ... & Maier-Hein, K. H. (2024).)
(arXiv:2412.17041) —— 這是首個針對 3D醫學影像 數據進行 自監督學習 (SSL) 的全面基準研究。

每個模型都在 OpenMind 數據集 上使用特定的自監督學習方法進行了預訓練，該數據集是一個大規模、標準化的公共腦磁共振成像（MRI）數據集集合。

不建議直接使用這些模型進行特徵提取。相反，我們建議使用 微調倉庫 中的下游微調框架進行 分割 和 分類 任務的適配。 雖然可以手動下載，但我們建議在微調倉庫中使用自動下載功能，只需提供Hugging Face上的倉庫URL，而不是本地檢查點路徑。

✨ 主要特性

模型變體

我們發佈了兩種骨幹架構的自監督學習檢查點：

• ResEnc-L：基於卷積神經網絡（CNN）的編碼器 [a, b]
• Primus-M：基於Transformer的編碼器 [Primus論文]

每個編碼器都使用以下自監督學習技術之一進行了預訓練：

📄 許可證

本項目採用CC BY 4.0許可證。

模型信息

模型來源

• 論文模型：An OpenMind for 3D medical vision self-supervised learning
• 用於創建檢查點的預訓練代碼庫：MIC-DKFZ/nnssl
• 數據集：AnonRes/OpenMind
• 下游（分割）微調：TaWald/nnUNet