/ Модель

Характеристики

Контекст
512 токенов
Параметры
123 млн
Лицензия
Apache 2.0
Архитектура
m3d_clip · dense
Опубликована
25 апр 2024

M3D-CLIP

Эмбеддинги изображенийИзображение → embedding3 профессии

Модель M3D-CLIP извлекает согласованные признаки из 3D-медицинских изображений и текста для поиска соответствий и последующих задач.

165скачиваний за 30 дней17лайковвеса обновлены8 мая 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

M3D-CLIP — модель семейства M3D для медицинских изображений, обученная выравнивать представления 3D-изображений и текста с помощью контрастивного обучения на наборе данных M3D-Cap. Она предназначена для поиска соответствий между медицинскими изображениями и текстовыми описаниями, а также для извлечения признаков, пригодных для последующих визуальных и мультимодальных задач.

Зрительный энкодер основан на 3D ViT: размер входного изображения составляет 32×256×256, размер патча — 4×16×16. Текстовый энкодер использует предварительно обученную BERT как инициализацию. Модель содержит 122,5 млн параметров, распространяется в формате Safetensors по лицензии Apache-2.0. Карточка не сообщает языки текстового энкодера и длину контекста.

Сценарии применения

  • поиск медицинских текстовых описаний по 3D-изображению
  • поиск 3D-медицинских изображений по текстовому запросу
  • извлечение признаков медицинских изображений для последующих задач
  • получение согласованных векторов изображения и текста для мультимодальных систем

Ограничения

Модель рассчитана на 3D-медицинские изображения и текст; её качество для обычных изображений или иных областей в карточке не описано. Языки и контекст текстового энкодера не приведены.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

M3D-CLIP is one of the works in the M3D series. It is a 3D medical CLIP model that aligns vision and language through contrastive loss on the M3D-Cap dataset. The vision encoder uses 3D ViT with 32*256*256 image size and 4*16*16 patch size. The language encoder utilizes a pre-trained BERT as initialization.

The uses of M3D-CLIP:

  1. 3D medical image and text retrieval task.
  2. Aligned and powerful image and text features for downstream tasks.
  3. Text-aligned visual encoders are excellent pre-trained models for visual and multi-modal tasks.

comparison comparison

Quickstart

device = torch.device("cuda") # or cpu

tokenizer = AutoTokenizer.from_pretrained(
    "GoodBaiBai88/M3D-CLIP",
    model_max_length=512,
    padding_side="right",
    use_fast=False
)
model = AutoModel.from_pretrained(
    "GoodBaiBai88/M3D-CLIP",
    trust_remote_code=True
)
model = model.to(device=device)

# Prepare your 3D medical image:
# 1. The image shape needs to be processed as 1*32*256*256, considering resize and other methods.
# 2. The image needs to be normalized to 0-1, considering Min-Max Normalization.
# 3. The image format needs to be converted to .npy 
# 4. Although we did not train on 2D images, in theory, the 2D image can be interpolated to the shape of 1*32*256*256 for input.
    
image_path = ""
input_txt = ""

text_tensor = tokenizer(input_txt, max_length=512, truncation=True, padding="max_length", return_tensors="pt")
input_id = text_tensor["input_ids"].to(device=device)
attention_mask = text_tensor["attention_mask"].to(device=device)
image = np.load(image_path).to(device=device)

with torch.inference_mode():
    image_features = model.encode_image(image)[:, 0]
    text_features = model.encode_text(input_id, attention_mask)[:, 0]

Citation

If you feel helpful from our work, please consider citing the following work:

@misc{bai2024m3d,
      title={M3D: Advancing 3D Medical Image Analysis with Multi-Modal Large Language Models}, 
      author={Fan Bai and Yuxin Du and Tiejun Huang and Max Q. -H. Meng and Bo Zhao},
      year={2024},
      eprint={2404.00578},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · image-feature-extraction

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
M3DCLIP
Ревизия весов
ae091d8

0 моделей