Fracture Check

Два PyTorch-чекпоинта для поиска переломов на рентгене: ConvNeXt-Tiny (384 px, grayscale) отвечает, есть ли перелом, а Faster R-CNN v2 (ResNet-50 + FPN, COCO-pretrained) показывает, где он. Это студенческий проект Akinchan Jain на данных FracAtlas; не медицинское изделие, не для диагностики и не для решения об обращении за помощью.

✨ Ключевые особенности

• ✅ Классификатор ConvNeXt-Tiny работает с grayscale 384 px; порог 0.0968 зафиксирован на validation ради recall 90%.
• 🔥 Детектор Faster R-CNN v2 с ResNet-50 + FPN выдаёт боксы только для снимков, которые классификатор пометил.
• 🦋 Grad-CAM с последней стадии классификатора показывает, где модель нашла признаки перелома.
• 👁 На тесте FracAtlas: recall 0.922, specificity 0.708, ROC-AUC 0.937, PR-AUC 0.853.
• ⬇ Загрузка через пакет fracdet: проверяются SHA-256 и provenance чекпоинтов.
• 😐 Precision низкая by design: порог настроен ловить переломы, поэтому многие помеченные снимки окажутся без перелома.

😎 Пример

from fracdet.serve.pipeline import FracturePipeline

pipeline = FracturePipeline.from_dir('path/to/folder/with/both/files')
result = pipeline.predict(open('xray.jpg', 'rb').read())
print(result['probability'], result['flagged'], result['boxes'])

Подробнее

На тесте FracAtlas (589 снимков, 102 с переломом): recall 0.922, specificity 0.708, ROC-AUC 0.937.
Детектор: AP50 0.421, top box centre inside fracture box 0.745.
Ограничения: импланты (пластины и винты) и зоны роста у детей дают ложные срабатывания; данные — только снимки кистей, рук, ног, таза и плеч из трёх клиник Бангладеш.
Это студенческий исследовательский проект, не медицинское изделие.