CON-DETR-V5开源医学图像检测模型 - 精准分析胸片，检测肺炎及类型

首页

CON DETR V5

由 0llheaven 开发

基于DETR架构的医学图像目标检测模型，专门用于胸部X光图像分析，可检测肺炎及其类型。

目标检测

Transformers

#医学影像检测 #肺炎分类 #DETR架构

下载量 20

发布时间 : 10/4/2024

模型简介

该模型是基于DETR的目标检测模型，专为医学图像分析训练，包含4个类别：肺炎、正常、细菌性肺炎和病毒性肺炎。

模型特点

医学图像专用

专门针对胸部X光图像训练，优化了肺炎检测和分类能力。

多类别检测

能够区分肺炎的不同类型（细菌性和病毒性）以及正常情况。

基于DETR架构

采用先进的Transformer架构进行目标检测，避免了传统方法中的锚框设计。

模型能力

医学图像分析

肺炎检测

疾病分类

目标定位

使用案例

医疗诊断

肺炎筛查

自动分析胸部X光片，检测是否存在肺炎及其类型

可输出检测框位置和置信度评分

疾病分类

区分细菌性肺炎和病毒性肺炎

提供分类结果和置信度

🚀 基于DETR的医学图像目标检测模型

本模型是一个基于DETR的目标检测模型，专为医学图像分析而训练，可用于检测和分类肺炎类型或判断是否正常。

🚀 快速开始

模型信息

属性	详情
模型类型	基于DETR（Detection Transformers）架构的目标检测模型
基础模型	microsoft/conditional-detr-resnet-50
训练数据	在自定义的带注释医学图像数据集上训练
适用场景	用于分析胸部X光图像，检测肺炎的存在和类型，或分类为正常
分类类别	4 个类别：0: 肺炎、1: 正常、2: 细菌性肺炎、3: 病毒性肺炎

💻 使用示例

基础用法

import os 
from transformers import AutoImageProcessor, AutoModelForObjectDetection
import torch
from PIL import Image
import pandas as pd

folder_path = ""
processor = AutoImageProcessor.from_pretrained("0llheaven/CON-DETR-V5")
model = AutoModelForObjectDetection.from_pretrained("0llheaven/CON-DETR-V5")

results_list = []

for image_name in os.listdir(folder_path):
    if image_name.endswith((".jpg", ".png", ".jpeg")): 
        image_path = os.path.join(folder_path, image_name)
        image = Image.open(image_path)

        # RGB To grayscale
        if image.mode != "RGB":
            image = image.convert("RGB")

        # prediction
        inputs = processor(images=image, return_tensors="pt")
        outputs = model(**inputs)

        target_sizes = torch.tensor([image.size[::-1]])
        results = processor.post_process_object_detection(outputs, target_sizes=target_sizes)
        print(f"Processing image: {image_name}")

        # detect_box
        detected_any = False
        for result in results:
            scores = result["scores"]
            labels = result["labels"]
            boxes = result["boxes"]

            filtered_data = [(score, label, box) for score, label, box in zip(scores, labels, boxes) if score > 0.5][:2] # 限制最多保存2个框
            for score, label, box in zip(scores, labels, boxes):
                if score > 0.5:
                    if len(filtered_data) > 0:
                        detected_any = True
                            
                    for score, label, box in filtered_data:
                        if label.item() == 0:
                            label_name = "Pneumonia"
                        elif label.item() == 1:
                            label_name = "Normal"
                        elif label.item() == 2:
                            label_name = "Pneumonia_bacteria"
                        else:
                            label_name = "Pneumonia_virus"
                        
                        xmin, ymin, xmax, ymax = [round(i, 2) for i in box.tolist()]
                        print(f" - Detected {label_name} with score {round(score.item(), 3)} at {xmin, ymin, xmax, ymax}")
                        results_list.append({
                            "image_name": image_name,
                            "label": label_name,
                            "xmin": xmin,
                            "ymin": ymin,
                            "xmax": xmax,
                            "ymax": ymax,
                            "score": round(score.item(), 3),
                        })

        if not detected_any:
            print(" - No Detect")
            results_list.append({
                "image_name": image_name,
                "label": "Other",
                "xmin": 0,
                "ymin": 0,
                "xmax": 0,
                "ymax": 0,
                "score": 0,
            })

results_df = pd.DataFrame(results_list)
print("\nFinal results:")
results_df.to_csv("testmodel.csv", index=False)