胸部X光智能分析与报告生成系统
XrayGPT是一个结合医学视觉语言模型技术的人工智能项目,专注于胸部X光片分析和报告生成。该系统整合了经过微调的Vicuna语言模型和MedClip医学视觉编码器,通过线性变换实现对齐。XrayGPT经过大量医患对话和放射学对话训练,可生成准确、清晰的X光分析摘要,为放射科医生提供辅助支持。
Omkar Thawakar* , Abdelrahman Shaker* , Sahal Shaji Mullappilly* , Hisham Cholakkal, Rao Muhammad Anwer, Salman Khan, Jorma Laaksonen, 和 Fahad Shahbaz Khan。
*平等贡献
阿联酋摩罕默德·本·扎耶德人工智能大学
<a href='#'><img src='https://img.shields.io/badge/Project-Page-Green'></a>
您可以使用提供的示例或上传自己的X光片来尝试我们的演示: 链接1 | 链接2 | 链接3 。
1. 准备代码和环境
克隆存储库并创建 anaconda 环境
git clone https://github.com/mbzuai-oryx/XrayGPT.git cd XrayGPT conda env create -f env.yml conda activate xraygpt
或
git clone https://github.com/mbzuai-oryx/XrayGPT.git cd XrayGPT conda create -n xraygpt python=3.9 conda activate xraygpt pip install -r xraygpt_requirements.txt
1. 为训练准备数据集
请参考dataset_creation了解更多详细信息。
下载预处理的注释 mimic 和 openi。 相应的图像文件夹包含来自数据集的图像。
最终的数据集文件夹结构如下:
dataset
├── mimic
| ├── image
| | ├──abea5eb9-b7c32823-3a14c5ca-77868030-69c83139.jpg
| | ├──427446c1-881f5cce-85191ce1-91a58ba9-0a57d3f5.jpg
| | .....
| ├──filter_cap.json
├── openi
| ├── image
| | ├──1.jpg
| | ├──2.jpg
| | .....
| ├──filter_cap.json
...
3. 准备预训练的Vicuna权重
我们在Vicuna-7B的v1版本上构建了XrayGPT。 我们使用精心挑选的放射线报告样本对Vicuna进行了微调。 从vicuna_weights下载Vicuna权重 最终的权重将在一个单独的文件夹中,结构类似于以下内容:
vicuna_weights
├── config.json
├── generation_config.json
├── pytorch_model.bin.index.json
├── pytorch_model-00001-of-00003.bin
...
然后,在模型配置文件"xraygpt/configs/models/xraygpt.yaml"的第16行设置vicuna权重的路径。 在放射学样本上微调Vicuna,请下载我们精选的放射学和医 疗保健对话样本,并参考原始的Vicuna repo进行微调。Vicuna_Finetune
4. 下载预训练的Minigpt-4检查点
下载预训练的minigpt-4检查点。ckpt
A. 第一阶段的预训练
在第一阶段的预训练中,模型使用来自预处理的MIMIC数据集的图像-文本对进行训练。
要启动第一阶段的训练,运行以下命令。在我们的实验中,我们使用4个AMD MI250X GPU。
torchrun --nproc-per-node NUM_GPU train.py --cfg-path train_configs/xraygpt_mimic_pretrain.yaml
2. 第二阶段的OpenI微调
在第二阶段,我们使用由我们预处理的小型高质量图像-文本对OpenI数据集。
运行以下命令。在我们的实验中,我们使用AMD MI250X GPU。
torchrun --nproc-per-node NUM_GPU train.py --cfg-path train_configs/xraygpt_openi_finetune.yaml
下载预训练的xraygpt检查点。link
将此ckpt添加到"eval_configs/xraygpt_eval.yaml"。
在您的本地机器上尝试gradio demo.py,使用以下命令:
python demo.py --cfg-path eval_configs/xraygpt_eval.yaml --gpu-id 0
![]() | ![]() |
![]() | ![]() |
如果您在研究或应用中使用XrayGPT,请使用以下BibTeX引用:
@article{Omkar2023XrayGPT, title={XrayGPT: Chest Radiographs Summarization using Large Medical Vision-Language Models}, author={Omkar Thawkar, Abdelrahman Shaker, Sahal Shaji Mullappilly, Hisham Cholakkal, Rao Muhammad Anwer, Salman Khan, Jorma Laaksonen and Fahad Shahbaz Khan}, journal={arXiv: 2306.07971}, year={2023} }
本存储库采用CC BY-NC-SA许可。请参考此处的许可条款。
AI Excel全自动制表工具
AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。
基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。
UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。 其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。
开源且先进的大规模视频生成模型项目
Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。
全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表
爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。
一款强大的视觉语言模型,支持图像和视频输入
Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。
HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。
HunyuanVideo 是一个专注于文本到图像及视频生成的项目。 它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。
一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。
WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面 ,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。
基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。
xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。
一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。
olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。
飞书多维表格 ×DeepSeek R1 满血版
飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号