/ Модель

Характеристики

Лицензия
Своя лицензия
Библиотека
pytorch
Опубликована
24 июл 2026

cxr-vitl14-lgc

Эмбеддинги изображенийИзображение → embedding

Визуальный энкодер ViT-L/14, предварительно обученный на рентгенограммах грудной клетки для извлечения признаков и переноса на задачи медицинской визуализации.

0скачиваний за 30 дней0лайковвеса обновлены26 июл 2026

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

dmusingu/cxr-vitl14-lgc — визуальный энкодер рентгенограмм грудной клетки ViT-L/14, предварительно обученный с нуля. В репозитории есть веса энкодера для извлечения признаков и полная предобучающая модель с причинным декодером в стиле GPT-2, текстовым энкодером и проекциями изображения и текста. Энкодер принимает изображения 384×384 и выдаёт 729 патч-токенов размерности 1024.

Модель предназначена для извлечения замороженных признаков и последующего дообучения на задачах анализа рентгенограмм грудной клетки. Предобучение использовало отчёты MIMIC-CXR и анатомические области с фразами из Chest ImaGenome; применялись локальная генеративная цель и глобальное контрастивное сопоставление изображений с отчётами. В описанных экспериментах признаки показали сильные результаты на нескольких задачах переноса, хотя на переносе вне домена IU X-ray модель уступала другим энкодерам.

Это экспериментальный исследовательский чекпойнт, а не диагностический инструмент: автор прямо исключает клиническое и пациентское применение. Обучение проводилось на взрослых рентгенограммах грудной клетки в прямой и боковой проекциях, поэтому обобщение на другие модальности, области тела, популяции и условия получения снимков не гарантируется. Лицензия указана как other; конкретные условия в доступных данных не раскрыты.

Сценарии применения

  • извлечение признаков из рентгенограмм грудной клетки
  • дообучение энкодера для классификации рентгеновских снимков
  • перенос визуальных представлений на задачи VQA по рентгенограммам
  • исследовательская оценка представлений медицинских изображений

Ограничения

Модель не предназначена для диагностики или клинического применения и обучалась на взрослых снимках грудной клетки из ограниченного набора источников; её обобщение на другие данные не гарантируется. Лицензия обозначена как other, без конкретных условий в доступных сведениях.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

CXR ViT-L/14 — lgc

ViT-L/14 chest-radiograph vision encoder, pretrained from scratch with the objective: Local generative (GCAP/AREF/CAREF box<->phrase) + global image<->report contrastive; the fourth cell of the global/local x generative/contrastive grid.

Part of a controlled study comparing pretraining objectives for chest-X-ray vision encoders (all share the same ViT-L/14 backbone, data, and budget).

Files

FileWhat it is
encoder_final.ptVision encoder — ViT-L/14 trunk only (state_dict under key encoder_state, 294 tensors). Use this to extract frozen image features.
model_best.ptFull pretraining model — ViT-L/14 + GPT-2-style causal decoder (GCAP/AREF/CAREF) + text encoder + image/text projections + logit_scale (state_dict under key model_state).

Architecture & training

  • ViT-L/14, 384x384 input -> 729 patch tokens (27x27 grid), trained from scratch in bf16. Text side (where present) uses the GPT-2 tokenizer (vocab 50257).
  • Training data: MIMIC-CXR (reports) and Chest ImaGenome (region-phrase / anatomy boxes).
  • Objective: Local generative (GCAP/AREF/CAREF box<->phrase) + global image<->report contrastive; the fourth cell of the global/local x generative/contrastive grid.

Downstream results (frozen-feature transfer)

Despite a smaller pretraining budget (1 epoch, single A40, vs 8x A100 for the rest — local head strong at that point, val grounding IoU 0.781/acc@0.5 0.895, global contrastive head still near chance R@1 0.063 from a 24-negative pool vs 384 for the others), frozen-feature downstream transfer is consistently top-tier: VQA RadGraph-s 0.231 and BERTScore-F1 0.971 (#1 of every encoder tested, incl. off-the-shelf); Diff-VQA ROUGE-1 0.688 and BERTScore-F1 0.937 (#1); RRG BLEU-4 0.033 (#1 of 10 from-scratch encoders); VinDr-CXR AD mAP@0.4 0.064 / mAP@0.5 0.046 (#3 and #2 of 9 from-scratch, beats every off-the-shelf encoder incl. OWLv2 and SigLIP). Weaker on out-of-domain IU X-ray transfer (RadGraph-s last of 10 after fine-tuning). encoder_final.pt = the epoch-1 best checkpoint (extracted from model_best.pt).

Full per-task comparison across all 9 from-scratch encoders is in the project logbook.

Usage (vision encoder)

import torch
ckpt = torch.load("encoder_final.pt", map_location="cpu", weights_only=False)
vision_state = ckpt["encoder_state"]   # 294 tensors, ViT-L/14
# load into your ViT-L/14 implementation, then forward 384x384 images -> [B, 729, 1024]

Intended use & limitations

  • Research use only. Frozen feature extraction / fine-tuning for chest-X-ray tasks.
  • NOT a diagnostic device. No clinical or patient-facing use.
  • Trained only on adult frontal/lateral CXR distributions of the source datasets; may not generalize to other modalities, body regions, populations, or acquisition settings.

⚠️ License / Data Use Agreement

These weights are derived from MIMIC-CXR and Chest ImaGenome, which are distributed under the PhysioNet Credentialed Health Data Use Agreement. Redistribution and use of models derived from these data are subject to that DUA — you must hold the appropriate credentialed access and comply with its terms. Do not make this repository public or share access without confirming your DUA permits sharing derived model weights.

Citation

If you use this encoder, please cite the source datasets (MIMIC-CXR; Chest ImaGenome) and this project.

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch · image-feature-extraction

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
c4669f6

0 моделей