К содержимому
Другое

HiCAST M1

классификация кровоизлияний по КТ мозга

2 мин чтенияобновлено

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.
Обсудить Telegram 0 36

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 0.1 GB · готовые файлы0.6 GB
  • BF16веса 0.1 GB0.6 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · F32 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # 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
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к hicast-ich-convnext
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии hicast-ich-convnext — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

Venu2024/hicast-ich-convnext
Автор
Venu2024
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

360

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии