Skip to content
Other

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 timm и safetensors.

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"))
ПодробнееОбучена 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.
Discuss Telegram 0 36

Will it run?

Runs in F32

Fits without quantisation.

  • F32weights 0.1 GB · ready files0.6 GB
  • BF16weights 0.1 GB0.6 GB
  • FP8 / INT8recommendedweights 0.0 GB0.5 GB
  • 4-bitweights 0.0 GB0.5 GB

Tip: go 8-bit.FP8 / INT8 is within about a percent of full precision in quality, takes half the memory and runs faster on RTX 40/50 and H100. Full precision only pays off for fine-tuning.

What to get for this model

Massed ComputeOpen Massed Compute

Your own GPU: FP8 / INT8 — from RTX 2060 · F32 — from RTX 2060

Massed Compute hourly prices, November 2026. The discounted price applies with the coupon at checkout.

Estimate: weights plus working memory. Long videos, high resolutions and long contexts need more.

Run it on Massed Compute

The script downloads the model to the rented machine. How to run it is in the model card.

  1. 1. Rent a machine with a fitting GPU

    Open Massed Compute
  2. 2. Paste the script into the machine's terminal

    Connect over SSH (the Massed Compute panel shows the command) or open a terminal on the machine's desktop.

    HF_TOKEN / CIVITAI_TOKENThe script starts with token lines: paste yours between the quotes. The Hugging Face token is for gated models, the Civitai one for Civitai models.

    # Venu2024/hicast-ich-convnext
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download Venu2024/hicast-ich-convnext --local-dir ~/models/hicast-ich-convnext
    # The model is in ~/models. How to run it is in the model card (link above).
    Add more LoRAs to hicast-ich-convnext
  3. 3. Use it

    The model is in ~/models. How to run it is in the model card (link above).

Stop the machine in the panel when you are done: it bills by the minute while it runs.

How to speed it up

Picked for this model type. Choose your hardware above to see what fits you exactly.

  • FlashAttention 44.0.0b40from November 18, 2026new release

    fastest exact attention on B200

    Kernels for Blackwell (beta). Exact attention without quantisation — fine for everything, LLMs included.

    How to enable: pip install flash-attn-4; vLLM and SGLang pick it up themselves.

    Earlier generations (2)
    • FlashAttention 3 — The Hopper (H100/H200) version with FP8.
    • FlashAttention 2 — The standard for RTX 30/40/50 and A100: exact attention without the memory cost of long contexts.
  • torch.compile2.15.0from October 28, 2026new release

    10–30% for free

    Compiles the model for your GPU. Slower first run, faster afterwards.

    How to enable: model = torch.compile(model); in ComfyUI the TorchCompileModel node.

Model family

New posts about versions of hicast-ich-convnext (quants, finetunes, LoRAs) will show up under the bell.

No known relatives of this model yet. All derivatives on Hugging Face

About the model

Venu2024/hicast-ich-convnext
Author
Venu2024
Category
Other
Released
Posted

On NeyroLearn

Hugging Face

360

Ask AI about this model

Answered by Gemini 4 · the chat is kept only in this tab

Comments