/ Модель

Характеристики

Лицензия
MIT
Библиотека
colipri
Опубликована
14 янв 2026

colipri

Классификация изображений без дообученияИзображение, текст → label3 профессии

COLIPRI — медицинский 3D vision-language энкодер для анализа КТ грудной клетки и поиска связей между изображениями и радиологическими заключениями.

3 297скачиваний за 30 дней69лайковвеса обновлены28 сен 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

COLIPRI — 3D vision-language encoder от Microsoft Research, обученный на десятках тысяч КТ грудной клетки и радиологических заключениях. Представленная версия COLIPRI-CRM формирует совместные представления трёхмерных изображений и текста; обучение проводилось без ручной разметки с использованием нескольких задач. Модель поддерживает классификацию изображений по текстовым запросам, извлечение признаков, кластеризацию и поиск по изображениям и тексту, а её энкодеры можно подключать к другим моделям для сегментации или генерации заключений.

Модель ориентирована на исследовательские и экспериментальные сценарии анализа медицинских КТ. Она может работать с текстовыми и визуальными представлениями совместно или независимо и предназначена для изображений КТ грудной клетки и радиологических отчётов. Лицензия — MIT. Авторы прямо указывают, что модель не предназначена для клинической практики.

Обучающие данные происходят только из Турции и США, поэтому результаты могут быть смещены относительно других популяций; возможны и неописанные смещения исходных наборов данных.

Сценарии применения

  • Классификация КТ грудной клетки по текстовым запросам
  • Поиск радиологических заключений по КТ-изображениям
  • Поиск похожих исследований КТ
  • Кластеризация КТ-изображений и радиологических текстов
  • Извлечение признаков для downstream-моделей медицинской визуализации

Ограничения

Модель не предназначена для клинического применения. Обучающие данные включали Турцию и США, поэтому возможны смещения при работе с другими популяциями.

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

COLIPRI

COLIPRI is a 3D vision–language transformer model trained to encode chest CT scans and radiological reports.

Model description

COLIPRI was trained using tens of thousands of chest CT scans and reports, without any annotations, using multiple objectives to learn strong joint representations of 3D images and text. The procedure is described in detail in Comprehensive language-image pre-training for 3D medical image understanding (Wald et al., ECCV 2026).

The weights shared here correspond to COLIPRI-CRM, our best-performing model in the paper.

  • Developed by: Microsoft Research
  • Model type: 3D vision–language encoder
  • License: MIT

Uses

COLIPRI is shared for research purposes only. It is not meant to be used for clinical practice.

The encoders be plugged to other models, or used independently or jointly for many downstream tasks, such as:

  • Image classification with text prompts
  • Image clustering
  • Text clustering
  • Text-to-image retrieval
  • Image-to-image retrieval
  • Image-to-text retrieval
  • Text-to-text retrieval
  • Image classification with a classifier
  • Text classification with a classifier
  • Image segmentation with a decoder
  • Report generation with a language decoder

Fine-tuning COLIPRI is typically not necessary to obtain good performance in downstream tasks.

Getting started

Installation

pip install colipri

Usage examples

Below we share some usage snippets to get started with COLIPRI. A more complete Jupyter notebook is also available.

First, let's get a 3D chest CT we can use for demonstration. The plotted slices intersect a lung nodule near the heart.

>>> from colipri import load_sample_ct
>>> image = load_sample_ct()
>>> image
ScalarImage(shape: (1, 512, 512, 139); spacing: (0.76, 0.76, 2.50); orientation: LPS+; dtype: torch.IntTensor; memory: 139.0 MiB)

The image looks like this:

Input CT

Now, let's instantiate the model and processor.

>>> from colipri import get_model
>>> from colipri import get_processor
>>> model = get_model().cuda()
>>> processor = get_processor()

Zero-shot classification

>>> from colipri import ZeroShotImageClassificationPipeline
>>> pipeline = ZeroShotImageClassificationPipeline(model, processor)
>>> pipeline(image, ["No lung nodules present", "Lung nodules present"])
[
    {'score': 0.0002, 'label': 'No lung nodules present'},
    {'score': 0.9998, 'label': 'Lung nodules present'}
]

Feature extraction

>>> import torch
>>> preprocessed_images = processor.process_images(image)
>>> preprocessed_images[0]
ScalarImage(shape: (1, 192, 192, 192); spacing: (2.00, 2.00, 2.00); orientation: SAR+; dtype: torch.FloatTensor; memory: 27.0 MiB)
>>> images_batch = processor.to_images_batch(preprocessed_images)
images_batch.shape
torch.Size([1, 1, 192, 192, 192])
>>> with torch.no_grad():
...     patch_embeddings = model.encode_image(images_batch)
>>> patch_embeddings.shape
torch.Size([1, 768, 24, 24, 24])
>>> with torch.no_grad():
...     pooled_embeddings = model.encode_image(images_batch, pool=True, project=True)
>>> pooled_embeddings.shape
torch.Size([1, 768])

Biases, risks, and limitations

COLIPRI was trained with data from Turkey and the USA only, therefore it might be biased towards population in the training data. Underlying biases of the training datasets may not be well characterized.

Environmental impact

  • Hardware type: NVIDIA A100 GPUs
  • Hours used: 72 hours × 4 GPUs = 288 GPU-hours
  • Cloud provider: Azure
  • Compute region: West US 2
  • Carbon emitted: 21.6 kg CO₂ eq.

Compute infrastructure

COLIPRI was trained on Azure Machine Learning.

Hardware

StageNode typeNum. nodesGPU typeGPUs per node
Pre-trainingStandard_NC96ads_A100_v41NVIDIA A100 (80 GB)4
EvaluationStandard_NC24ads_A100_v41NVIDIA A100 (80 GB)1

Software

The main software libraries used in this work were nnSSL for training, TorchIO for preprocessing and augmentation, nifti-zarr-py for data loading, and nnU-Net for segmentation evaluation.

Community

Below are some works derived from COLIPRI.

NameDescription
NV-Reason-CTOpen 3D CT VLM for Radiologist Chain-of-Thought Reasoning
ORCA-3DCTTraining-free ORCA compression of CT-RATE embeddings

Citation

BibTeX

@inbook{Wald2026,
  title = {Comprehensive Language–Image Pre-training for 3D Medical Image Understanding},
  ISBN = {9783032376244},
  ISSN = {1611-3349},
  url = {http://dx.doi.org/10.1007/978-3-032-37624-4_24},
  DOI = {10.1007/978-3-032-37624-4_24},
  booktitle = {Computer Vision – ECCV 2026},
  publisher = {Springer Nature Switzerland},
  author = {Wald,  Tassilo and Hamamci,  Ibrahim Ethem and Gao,  Yuan and Bond-Taylor,  Sam and Sharma,  Harshita and Ilse,  Maximilian and Lo,  Cynthia and Melnichenko,  Olesya and Schwaighofer,  Anton and Codella,  Noel C. F. and Wetscherek,  Maria Teodora and Maier-Hein,  Klaus H. and Korfiatis,  Panagiotis and Salvatelli,  Valentina and Alvarez-Valle,  Javier and Pérez-García,  Fernando},
  year = {2026},
  pages = {388–406}
}

APA

Wald, T., Hamamci, I. E., Gao, Y., Bond-Taylor, S., Sharma, H., Ilse, M., … Pérez-García, F. (2026). Comprehensive language–image pre-training for 3D medical image understanding. In Lecture Notes in Computer Science. Lecture Notes in Computer Science (pp. 388–406). doi:10.1007/978-3-032-37624-4_24

Model card contact

Fernando Pérez-García (fperezgarcia@microsoft.com).

Как запустить

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

GPU в ailist

Универсальный рантайм · colipri · zero-shot-image-classification

Нельзя запустить

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

Ревизия весов
892e42e

0 моделей