# 醫學影像分析

靈樞是醫療領域的SOTA多模態大語言模型，在醫療視覺問答和報告生成任務中表現卓越。

該模型基於DINOv2架構微調，用於皮膚病變圖像的疾病分類

基於PyTorch的DeepLabV3Plus圖像分割模型，支持高效的語義分割任務

基於PyTorch的Unet圖像分割模型，支持多種編碼器架構和預訓練權重

基於PyTorch的FPN圖像分割模型，支持多種編碼器架構，適用於語義分割任務。

H0-mini是由Owkin和Bioptimus聯合開發的輕量級組織學基礎模型，基於Vision Transformer架構，通過自監督蒸餾方法訓練，適用於病理學圖像分析。

基於篩查性乳腺X光攝影預測乳腺癌和乳腺密度的集成模型，使用3個不同分辨率的CNN網絡進行推理

基於open_clip庫的零樣本圖像分類模型，專注於醫療領域的圖像分析

基於PyTorch的語義分割模型，支持多種編碼器架構

基於PyTorch實現的FPN圖像分割模型，支持多種編碼器架構，適用於語義分割任務。

Linknet是一個基於PyTorch實現的圖像分割模型，適用於語義分割任務。

基於CLIP架構的醫學領域零樣本圖像分類模型

基於Llama-3-8B-Instruct微調的多模態生物醫學模型，支持文本與圖像處理，適用於生物醫學領域的研究與臨床應用。

Virchow是基於150萬張全切片組織病理學圖像的自監督視覺Transformer預訓練模型，可作為切片級特徵提取器用於計算病理學下游任務。

M3D-CLIP是專為3D醫學影像設計的CLIP模型，通過對比損失實現視覺與語言的對齊。

AIMI基礎模型集是斯坦福大學AIMI團隊開發的放射學領域基礎模型合集，專注於醫學影像分析任務。

基於視覺變換器（ViT）的圖像分類模型，在3300萬個組織學切片上使用DINO自監督學習方法訓練，適用於病理圖像分類任務。

基於Segment Anything Model (SAM)的乳腺癌分割模型，用於醫學影像中的腫瘤區域識別

一個用於圖像分割任務的深度學習模型，能夠將圖像中的不同對象或區域進行精確分割。

基於nvidia/mit-b0模型在Isaacks/ihc_slide_tissue數據集上微調的圖像分割模型

ClipMD是基於OpenAI的CLIP模型開發的醫療圖文匹配模型，採用滑動窗口文本編碼器，專門用於醫療領域的圖像分類任務。

基於ViT架構的胃腸道圖像分類模型，用於從結腸鏡檢查圖像中診斷多種病症

基於DenseNet架構的卷積神經網絡，專為X光圖像分類任務設計，通過密集塊實現層間密集連接。

DenseNet121架構的預訓練模型，專用於胸部X光圖像分類任務，具有18個輸出目標。