该模型基于DINOv2架构微调，用于皮肤病变图像的疾病分类

基于PyTorch的DeepLabV3Plus图像分割模型，支持高效的语义分割任务

基于PyTorch的Unet图像分割模型，支持多种编码器架构和预训练权重

基于PyTorch的FPN图像分割模型，支持多种编码器架构，适用于语义分割任务。

H0-mini是由Owkin和Bioptimus联合开发的轻量级组织学基础模型，基于Vision Transformer架构，通过自监督蒸馏方法训练，适用于病理学图像分析。

基于筛查性乳腺X光摄影预测乳腺癌和乳腺密度的集成模型，使用3个不同分辨率的CNN网络进行推理

基于open_clip库的零样本图像分类模型，专注于医疗领域的图像分析

基于PyTorch的语义分割模型，支持多种编码器架构

基于PyTorch实现的FPN图像分割模型，支持多种编码器架构，适用于语义分割任务。

Linknet是一个基于PyTorch实现的图像分割模型，适用于语义分割任务。

基于CLIP架构的医学领域零样本图像分类模型

基于Llama-3-8B-Instruct微调的多模态生物医学模型，支持文本与图像处理，适用于生物医学领域的研究与临床应用。

Virchow是基于150万张全切片组织病理学图像的自监督视觉Transformer预训练模型，可作为切片级特征提取器用于计算病理学下游任务。

M3D-CLIP是专为3D医学影像设计的CLIP模型，通过对比损失实现视觉与语言的对齐。

AIMI基础模型集是斯坦福大学AIMI团队开发的放射学领域基础模型合集，专注于医学影像分析任务。

基于Segment Anything Model (SAM)的乳腺癌分割模型，用于医学影像中的肿瘤区域识别

一个用于图像分割任务的深度学习模型，能够将图像中的不同对象或区域进行精确分割。

基于nvidia/mit-b0模型在Isaacks/ihc_slide_tissue数据集上微调的图像分割模型

ClipMD是基于OpenAI的CLIP模型开发的医疗图文匹配模型，采用滑动窗口文本编码器，专门用于医疗领域的图像分类任务。

基于ViT架构的胃肠道图像分类模型，用于从结肠镜检查图像中诊断多种病症

基于DenseNet架构的卷积神经网络，专为X光图像分类任务设计，通过密集块实现层间密集连接。

DenseNet121架构的预训练模型，专用于胸部X光图像分类任务，具有18个输出目标。