XrayGPT

XrayGPT

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。

XrayGPT胸部X光医疗视觉语言模型放射学报告AI医疗Github开源项目

XrayGPT:使用医疗视觉语言模型对胸部X光片进行概括。

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> YouTube

:rocket: 新闻

<hr>
  • 8月4日: 我们的论文已被BIONLP-ACL 2024接受 :fire:
  • 6月14日: 我们的技术报告已发布 here. :fire::fire:
  • 5月25日: 我们的技术报告将很快发布。敬请关注!
  • 5月19日: 我们的代码、模型和预处理的报告概要已发布。

在线演示

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

关于XrayGPT

<hr>
  • XrayGPT旨在刺激围绕基于给定X光片的自动化胸部X光片分析的研究。
  • LLM(Vicuna)在医疗数据(10万个患者和医生之间的实际对话)和约30,000个放射学对话上进行了微调,以获取特定领域的相关特征。
  • 我们从两个数据集(MIMIC-CXROpenI)的自由文本放射线报告中生成交互式和干净的总结(约21.7万个)。这些总结有助于通过在高质量数据上微调线性变换层来提高LLMs的性能。有关我们高质量总结的更多详细信息,请查看数据集创建
  • 我们使用简单的线性变换将冻结的医疗视觉编码器(MedClip)与微调的LLM(Vicuna)进行对齐。

overview

入门

安装

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

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

设置

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 mimicopeni。 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

5. XrayGPT的训练

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

在本地机器上启动演示

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

示例

example 1example 2
example 3example 4

致谢

<hr>
  • MiniGPT-4 利用先进的大型语言模型增强视觉语言理解。我们的模型建立在MiniGPT-4的基础之上。
  • MedCLIP 从无配对的医疗图像和文本中进行对比学习。我们使用了MedCLIP中的医疗感知图像编码器。
  • BLIP2 XrayGPT的模型架构遵循BLIP-2。
  • Lavis 此存储库建立在Lavis之上!
  • Vicuna Vicuna的出色语言能力令人惊叹,并且是开源的!

引用

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} }

许可

本存储库采用CC BY-NC-SA许可。请参考此处的许可条款。

编辑推荐精选

AEE

AEE

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。

UI-TARS-desktop

UI-TARS-desktop

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。

Wan2.1

Wan2.1

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。

爱图表

爱图表

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。

Qwen2.5-VL

Qwen2.5-VL

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

HunyuanVideo

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。

WebUI for Browser Use

WebUI for Browser Use

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。

xiaozhi-esp32

xiaozhi-esp32

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。

olmocr

olmocr

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

飞书多维表格

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。

下拉加载更多