HiCAST M1
классификация кровоизлияний по КТ мозга
2 min readupdated
Компактная нейросеть для автоматического поиска внутричерепных кровоизлияний (ICH) на бесконтрастных компьютерных томограммах (КТ) головы. Модель построена на базе свёрточной архитектуры ConvNeXt-T (около 30 млн параметров) от исследователей Annamalai University. На вход она принимает 5-канальное изображение 256×256 пикселей — это так называемый 2.5D-подход, где текущий срез КТ анализируется сразу в трёх окнах (мозговом, субдуральном и костном) вместе с соседними верхним и нижним срезами. На выходе классификатор определяет наличие кровоизлияния в целом и уточняет его конкретный тип из пяти вариантов (EDH, IPH, IVH, SAH, SDH). Пригодится разработчикам медицинских ИИ-ассистентов и исследователям в области радиологии.
Ключевые особенности
- 2.5D-анализ контекста: учитывает не только один плоский кадр в разных диапазонах плотности, но и соседние срезы томографии для более точной диагностики.
- Мультилейбл-классификация: одновременно проверяет наличие любого кровоизлияния (any ICH) и пяти его подтипов (эпидурального, внутримозгового, внутрижелудочкового, субарахноидального и субдурального).
- Готовые пороги решений: оптимальные значения F1-порогов уже рассчитаны на валидации и сохранены прямо в
config.json. - Лёгкий вес: модель весит около 0.03B параметров и загружается через стандартную библиотеку
timmиsafetensors.
Что можно сделать
- Встроить модель в исследовательский пайплайн для автоматической сортировки и приоритизации снимков КТ головы.
- Использовать совместно с Grad-CAM для визуализации областей внимания нейросети при разборе сложных клинических случаев.
- Подключить к готовому REST API или протестировать работу в демо-приложении автора на Hugging Face Spaces.
Пример
import json, timm, torch, torch.nn as nn
from safetensors.torch import load_file
from huggingface_hub import hf_hub_download
cfg = json.load(open(hf_hub_download("Venu2024/hicast-ich-convnext", "config.json")))
backbone = timm.create_model(cfg["arch"], pretrained=False, in_chans=5, num_classes=0)
head = nn.Linear(backbone.num_features, 6)
state = load_file(hf_hub_download("Venu2024/hicast-ich-convnext", "model.safetensors"))Подробнее
Обучена на подвыборке RSNA 2019 ICH: 6 000 сканов (207 104 среза), разрешение каналов 256×256 px.Валидация RSNA (AUROC): any ICH — 0.9828, внутрижелудочковое (IVH) — 0.9963, субарахноидальное (SAH) — 0.9721.
Внешний тест на CQ500 (488 сканов): any-ICH AUROC 0.979, macro-AUROC 0.976.
Ограничения: только для исследовательских целей (не является медизделием); Grad-CAM показывает внимание модели, а не точную сегментацию очага.










Comments