/ Модель

Характеристики

Параметры
113 млн
Архитектура
dinov2 · dense
Опубликована
17 мая 2024

rad-dino

Эмбеддинги изображений3 профессии

RAD-DINO — энкодер рентгенограмм грудной клетки, извлекающий визуальные признаки для исследовательских задач медицинской визуализации.

36 312скачиваний за 30 дней89лайковвеса обновлены12 мая 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

RAD-DINO — визуальный энкодер на основе Vision Transformer, разработанный Microsoft Health Futures и дообученный от DINOv2-base для кодирования рентгенограмм грудной клетки методом самообучения DINOv2. Модель содержит 113,2 млн параметров и выдаёт признаки изображений для последующих задач.

Её можно использовать как основу для классификации рентгенограмм, сегментации, кластеризации и поиска похожих изображений; признаки также могут поступать в языковую модель для генерации радиологических отчётов. Модель рассчитана на исследовательские сценарии и не предназначена для клинической практики. Она обучена на общедоступных обезличенных наборах данных из пяти стран, поэтому возможна систематическая ошибка в отношении других популяций, а смещения исходных наборов могут быть изучены не полностью. Лицензия — MIT.

Сценарии применения

  • извлечение эмбеддингов рентгенограмм грудной клетки
  • классификация рентгенограмм с обучаемой классификационной головой
  • сегментация рентгенограмм с декодером на признаках патчей
  • поиск похожих рентгенограмм по эмбеддингам
  • кластеризация рентгенограмм
  • подготовка визуальных признаков для генерации радиологических отчётов

Ограничения

Модель не предназначена для клинической практики. Обучение на данных из пяти стран может приводить к смещению для других популяций, а смещения исходных наборов данных изучены не полностью.

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

Model card for RAD-DINO

RAD-DINO is a vision transformer model trained to encode chest X-rays using the self-supervised learning method DINOv2.

Model description

RAD-DINO is described in detail in Exploring Scalable Medical Image Encoders Beyond Text Supervision (F. Pérez-García, H. Sharma, S. Bond-Taylor, et al., 2025).

  • Developed by: Microsoft Health Futures
  • Model type: Vision transformer
  • License: MIT
  • Finetuned from model: dinov2-base

Uses

RAD-DINO is shared for research purposes only. It is not meant to be used for clinical practice.

The model is a vision backbone that can be plugged to other models for downstream tasks. Some potential uses are:

  • Image classification, with a classifier trained on top of the CLS token
  • Image segmentation, with a decoder trained using the patch tokens
  • Clustering, using the image embeddings directly
  • Image retrieval, using nearest neighbors of the CLS token
  • Report generation, with a language model to decode text

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

Biases, risks, and limitations

RAD-DINO was trained with data from three countries, therefore it might be biased towards population in the training data. Underlying biases of the training datasets may not be well characterized.

Installation

pip install rad-dino

Usage

Encode an image

>>> from rad_dino import RadDino
>>> from rad_dino.utils import download_sample_image
>>> encoder = RadDino()
>>> image = download_sample_image()
>>> image
<PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=2765x2505 at 0x7CCD5C014050>
>>> cls_embeddings, patch_embeddings = encoder.extract_features(image)
>>> cls_embeddings.shape, patch_embeddings.shape
(torch.Size([1, 768]), torch.Size([1, 768, 37, 37]))

Weights for fine-tuning

We have released a checkpoint compatible with the original DINOv2 code to help researchers fine-tune our model.

We can use the hub model and load the RAD-DINO weights. Let's clone the DINOv2 repository so we can import the code for the head.

git clone https://github.com/facebookresearch/dinov2.git
>>> import torch
>>> from rad_dino.utils import safetensors_to_state_dict
>>> rad_dino_gh = torch.hub.load("./dinov2", "dinov2_vitb14")
>>> backbone_state_dict = safetensors_to_state_dict("backbone_compatible.safetensors")
>>> rad_dino_gh.load_state_dict(backbone_state_dict, strict=True)
<All keys matched successfully>

The weights of the head are also released:

>>> from dinov2.layers import DINOHead
>>> rad_dino_head_gh = DINOHead(
...    in_dim=768,
...    out_dim=65536,
...    hidden_dim=2048,
...    bottleneck_dim=256,
...    nlayers=3,
... )
>>> head_state_dict = safetensors_to_state_dict("dino_head.safetensors")
>>> rad_dino_head_gh.load_state_dict(head_state_dict, strict=True)
<All keys matched successfully>

Configs and augmentation

The configuration files ssl_default_config.yaml and vitb14_cxr.yaml, and the augmentations module are also available in the repository to help researchers reproduce the training procedure with our hyperparameters.

Training details

Training data

We used images from five public, deidentified chest X-ray datasets to train this checkpoint of RAD-DINO.

DatasetNum. images
MIMIC-CXR368 960
CheXpert223 648
NIH-CXR112 120
PadChest136 787
BRAX41 260
TOTAL882 775

Images in the validation and test sets used to train MAIRA were excluded from the training set of RAD-DINO. The list of image files used for training is available at ./training_images.csv.

Note this checkpoint is different from the one in the paper, where some private data was used (and fewer GPUs). The checkpoint shared here is trained for 35 000 iterations (the total number of iterations in the run was 100 000, but we selected this checkpoint using linear probing on the validation sets of the evaluation datasets described in the paper). We used 16 nodes with 4 A100 GPUs each, and a batch size of 40 images per GPU.

Training procedure

We refer to the manuscript for a detailed description of the training procedure.

Preprocessing

All DICOM files were resized using B-spline interpolation so that their shorter size was 518, min-max scaled to [0, 255], and stored as PNG files.

Training hyperparameters

  • Training regime: fp16 using PyTorch-FSDP mixed-precision.

Evaluation

Our evaluation is best described in the manuscript.

Environmental impact

  • Hardware type: NVIDIA A100 GPUs
  • Hours used: 40 hours/GPU × 16 nodes × 4 GPUs/node = 2560 GPU-hours
  • Cloud provider: Azure
  • Compute region: West US 2
  • Carbon emitted: 222 kg CO₂ eq.

Compute infrastructure

RAD-DINO was trained on Azure Machine Learning.

Hardware

We used 16 Standard_NC96ads_A100_v4 nodes with four NVIDIA A100 (80 GB) GPUs each.

Software

We leveraged the code in DINOv2 for training. We used SimpleITK and Pydicom for processing of DICOM files.

Citation

BibTeX:

@article{perez-garcia_exploring_2025,
 title = {Exploring scalable medical image encoders beyond text supervision},
 issn = {2522-5839},
 url = {https://doi.org/10.1038/s42256-024-00965-w},
 doi = {10.1038/s42256-024-00965-w},
 journal = {Nature Machine Intelligence},
 author = {P{\'e}rez-Garc{\'i}a, Fernando and Sharma, Harshita and Bond-Taylor, Sam and Bouzid, Kenza and Salvatelli, Valentina and Ilse, Maximilian and Bannur, Shruthi and Castro, Daniel C. and Schwaighofer, Anton and Lungren, Matthew P. and Wetscherek, Maria Teodora and Codella, Noel and Hyland, Stephanie L. and Alvarez-Valle, Javier and Oktay, Ozan},
 month = jan,
 year = {2025},
}

APA:

Pérez-García, F., Sharma, H., Bond-Taylor, S., Bouzid, K., Salvatelli, V., Ilse, M., Bannur, S., Castro, D. C., Schwaighofer, A., Lungren, M. P., Wetscherek, M. T., Codella, N., Hyland, S. L., Alvarez-Valle, J., & Oktay, O. (2025). Exploring scalable medical image encoders beyond text supervision. In Nature Machine Intelligence. Springer Science and Business Media LLC. https://doi.org/10.1038/s42256-024-00965-w

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 · image-feature-extraction

Можно запустить

Подбираем GPU…

Класс архитектуры
Dinov2Model
Ревизия весов
110cbc1

0 моделей