🚀 densenet121-res224-chex

DenseNet是一种卷积神经网络，它通过密集块（Dense Blocks）在各层之间建立密集连接，在这种结构中，所有层（特征图尺寸匹配）都直接相互连接。为保持前馈特性，每一层会从前面所有层获取额外输入，并将自身的特征图传递给后面所有层。该模型可用于X光图像分类，具有重要的医学应用价值。

🚀 快速开始

DenseNet是一种卷积神经网络，它通过密集块（Dense Blocks）在各层之间建立密集连接，在这种结构中，所有层（特征图尺寸匹配）都直接相互连接。为保持前馈特性，每一层会从前面所有层获取额外输入，并将自身的特征图传递给后面所有层。

✨ 主要特性

• 利用密集连接：通过Dense Blocks在各层之间建立密集连接，增强特征传播。
• 前馈特性：每一层从前面所有层获取额外输入，并将自身特征图传递给后续层。
• 多输出：每个预训练模型有18个输出。

📦 安装指南

文档未提供具体安装步骤，故跳过此章节。

💻 使用示例

基础用法

以下是如何使用此模型对X光图像进行分类的示例：

注意：每个预训练模型有18个输出。all模型的每个输出都经过训练。然而，对于其他权重，某些目标未经过训练，会随机预测，因为它们不存在于训练数据集中。唯一有效的输出列在对应权重的数据集的{dataset}.pathologies字段中。

模型的基准测试信息请参考：BENCHMARKS.md

import urllib.request

import skimage
import torch
import torch.nn.functional as F
import torchvision
import torchvision.transforms

import torchxrayvision as xrv

model_name = "densenet121-res224-chex"

img_url = "https://huggingface.co/spaces/torchxrayvision/torchxrayvision-classifier/resolve/main/16747_3_1.jpg"
img_path = "xray.jpg"
urllib.request.urlretrieve(img_url, img_path)

model = xrv.models.get_model(model_name, from_hf_hub=True)

img = skimage.io.imread(img_path)
img = xrv.datasets.normalize(img, 255)

# Check that images are 2D arrays
if len(img.shape) > 2:
    img = img[:, :, 0]
if len(img.shape) < 2:
    print("error, dimension lower than 2 for image")

# Add color channel
img = img[None, :, :]

transform = torchvision.transforms.Compose([xrv.datasets.XRayCenterCrop()])

img = transform(img)

with torch.no_grad():
    img = torch.from_numpy(img).unsqueeze(0)
    preds = model(img).cpu()
    output = {
        k: float(v)
        for k, v in zip(xrv.datasets.default_pathologies, preds[0].detach().numpy())
    }
print(output)

更多代码示例请参考：example scripts。

📚 详细文档

模型输出说明

每个预训练模型有18个输出。all模型的每个输出都经过训练。然而，对于其他权重，某些目标未经过训练，会随机预测，因为它们不存在于训练数据集中。唯一有效的输出列在对应权重的数据集的{dataset}.pathologies字段中。

基准测试

模型的基准测试信息请参考：BENCHMARKS.md

📄 许可证

本项目采用Apache-2.0许可证。

📚 引用

主要的TorchXRayVision论文

• 标题：TorchXRayVision: A library of chest X-ray datasets and models
• 作者：Joseph Paul Cohen, Joseph D. Viviano, Paul Bertin, Paul Morrison, Parsa Torabian, Matteo Guarrera, Matthew P Lungren, Akshay Chaudhari, Rupert Brooks, Mohammad Hashir, Hadrien Bertrand
• BibTeX引用：

@article{Cohen2020xrv,
author = {Cohen, Joseph Paul and Viviano, Joseph D. and Bertin, Paul and Morrison, Paul and Torabian, Parsa and Guarrera, Matteo and Lungren, Matthew P and Chaudhari, Akshay and Brooks, Rupert and Hashir, Mohammad and Bertrand, Hadrien},
journal = {https://github.com/mlmed/torchxrayvision},
title = {{TorchXRayVision: A library of chest X-ray datasets and models}},
url = {https://github.com/mlmed/torchxrayvision},
year = {2020}
arxivId = {2111.00595},
}

发起库开发的论文

• 标题：On the limits of cross-domain generalization in automated X-ray prediction
• 作者：Joseph Paul Cohen, Mohammad Hashir, Rupert Brooks, Hadrien Bertrand
• BibTeX引用：

@inproceedings{cohen2020limits,
  title={On the limits of cross-domain generalization in automated X-ray prediction},
  author={Cohen, Joseph Paul and Hashir, Mohammad and Brooks, Rupert and Bertrand, Hadrien},
  booktitle={Medical Imaging with Deep Learning},
  year={2020},
  url={https://arxiv.org/abs/2002.02497}
}