# 醫療影像分析

MedGemma-4B-IT是一個專注於醫療領域的視覺語言模型，由Google開發，現轉換為MLX格式以便在Apple芯片上高效運行。

MedGemma-4B-it-Q8_0-GGUF 是基於 google/medgemma-4b-it 轉換而來的 GGUF 格式模型，專為醫療領域的圖像文本到文本任務設計。

一個基於Apache-2.0許可的開源圖像分割模型，適用於多種圖像分割任務。

該模型是mlabonne/gemma-3-4b-it-abliterated的GGUF格式轉換版本，結合了x-ray_alpha的視覺組件，提供更流暢的多模態體驗。

基於nvidia/mit-b0微調的圖像分割模型，在NICOPOI-9/morphpad_hgo_512_4class數據集上訓練，擅長高精度圖像分割任務。

基於Vision Transformer (ViT)架構的微調模型，用於對胸部X光片進行分類，訓練於CheXpert數據集。

EraX-VL-7B-V2.0-Preview是一款強大的多模態模型，專為OCR和視覺問答設計，擅長處理越南語等多種語言，在醫療表格、發票等文檔識別上表現突出。

GenMedClip 是一個基於 open_clip 庫的零樣本圖像分類模型，專注於醫學圖像分析。

基於Google的ViT基礎模型在BrainMRI數據集上微調的圖像分類模型

基於Florence-2-base-ft微調的肺癌檢測模型，通過肺部圖像識別肺癌類型

該模型用於預測骨齡，基於YassinHegazy/xray-model基礎模型構建。

基於ResNet18架構的腦部MRI圖像分類模型，用於癌症檢測

CheXagent是一個專注於胸部X光解讀的基礎模型，旨在輔助醫療影像分析。

一個基於transformers庫的圖像轉文本模型，主要用於從胸部X光圖像生成診斷印象報告。

該模型能夠將輸入的醫學圖像（如X光片）轉換為描述性文本，輔助醫療診斷。

基於ViT架構的深度學習模型，用於識別胸部X光影像中的肺炎症狀

CheXagent是一個專注於胸部X光解讀的基礎模型，旨在提升醫學影像分析的準確性和效率。

CheXagent是一個用於胸片解讀的基礎模型，能夠自動分析和解讀胸部X光片。

CheXagent是一個專注於胸片解讀的基礎模型，旨在通過先進的人工智能技術提升醫學影像分析的準確性和效率。

CheXagent 是一個專注於胸部X光解讀的基礎模型，旨在通過先進的視覺語言處理技術提升醫學影像分析的準確性和效率。

CheXagent是一個專門用於胸部X光解讀的基礎模型，能夠自動分析和解釋胸部X光圖像。

CheXagent是一個專門用於胸部X光解讀的基礎模型，旨在通過先進的人工智能技術輔助醫學影像分析。

使用Vision Transformer (ViT)架構的面部圖像分類模型，用於檢測乾性、中性、油性三種皮膚類型

CheXagent是一個用於胸部X光解釋的基礎模型，能助力醫療領域對胸部X光影像進行專業解讀。

基於AI-image-detector微調的X射線圖像檢測模型，準確率達99.83%

基於DETA-ResNet-50架構在血細胞目標檢測數據集上微調的模型，適用於醫學圖像分析

基於DINOv2基礎模型微調的皮膚疾病分類模型，在ISIC 2018+Atlas Dermatology數據集上達到95.57%的準確率。

基於nvidia/mit-b0在tontokoton/artery-ultrasound-siit數據集上微調的圖像分割模型

基於SegFormer架構的視網膜眼底圖像分割模型，專用於視盤和視杯的精確分割。

SkinSAM是基於12層ViT-b模型的皮膚病變分割模型，在ISIC和PH2數據集上進行了微調，專注於皮膚病變圖像的精確分割。

基於MIT-B0架構微調的牙齒X射線圖像分割模型，專門用於牙科影像中牙齒區域的精確分割

PubMedCLIP是針對醫療領域微調的CLIP模型版本，專門用於處理醫學影像和相關文本。

基於EfficientNet架構的帕金森病預測模型，通過分析患者繪圖實現約83%的準確率

基於Google的ViT模型微調，用於糖尿病視網膜病變分類任務，準確率74.31%

該模型是基於Google的ViT-base模型在胸部X光分類數據集上微調的版本，用於醫學影像分析。

基於ViT架構的肺炎檢測模型，在胸部X光分類數據集上微調，準確率達97.68%

這是一個通過自動訓練流程構建的二元分類視覺模型，擅長處理醫學影像分類任務。

基於facebook/detr-resnet-50微調的模型，用於目標檢測任務

這是一個基於ViT架構的醫學圖像分類模型，專門用於乳房成分分析，在預處理1024配置數據集上微調。

基於microsoft/resnet-50微調的腦腫瘤圖像分類模型，在評估集上準確率達到91.71%