Actualizar enlace al repositorio

dd7a81b verified 9 days ago

6.79 kB

---
license: cc-by-nc-4.0
language:
  - es
library_name: pytorch
pipeline_tag: image-classification
tags:
  - medical-imaging
  - chest-x-ray
  - pneumonia
  - covid-19
  - tuberculosis
  - lung-segmentation
  - research
---
# rt26 · modelos

Pesos de los modelos del proyecto [rt26](https://github.com/JRLR22/rt26-chest-xray), un prototipo de investigación
que analiza radiografías de tórax para apoyar la detección de neumonía, COVID-19 y tuberculosis.

> **No es un dispositivo médico.** No está validado clínicamente y sus resultados no constituyen un
> diagnóstico. Úsalos solo para investigación y docencia.

## Archivos

| Archivo | Arquitectura | Tarea | Tamaño |
| --- | --- | --- | --- |
| `pneumonia_densenet121.pth` | DenseNet121 | Normal / neumonía | 27,1 MB |
| `pneumonia_resnet50.pth` | ResNet50 | Normal / neumonía | 90,0 MB |
| `pneumonia_efficientnet_b0.pth` | EfficientNet-B0 | Normal / neumonía | 15,6 MB |
| `covid_19_densenet121.pth` | DenseNet121 | Normal / COVID-19 | 27,1 MB |
| `covid_19_resnet50.pth` | ResNet50 | Normal / COVID-19 | 90,0 MB |
| `covid_19_efficientnet_b0.pth` | EfficientNet-B0 | Normal / COVID-19 | 15,6 MB |
| `tuberculosis_densenet121.pth` | DenseNet121 | Normal / tuberculosis | 27,1 MB |
| `tuberculosis_resnet50.pth` | ResNet50 | Normal / tuberculosis | 90,0 MB |
| `tuberculosis_efficientnet_b0.pth` | EfficientNet-B0 | Normal / tuberculosis | 15,6 MB |
| `unet_resnet34_best.pth` | U-Net (encoder ResNet34) | Segmentación pulmonar | 93,4 MB |

Cada archivo contiene solo `{"model_state_dict": ...}`, sin estado del optimizador ni historial de
entrenamiento, y se puede abrir con `torch.load(..., weights_only=True)`.

Los tres clasificadores de cada enfermedad forman un ensemble: la aplicación promedia sus probabilidades
(*soft voting*). Entrada: radiografía en escala de grises convertida a 3 canales, 224×224, normalizada
con la media y desviación de ImageNet. La U-Net recibe 1 canal a 512×512.

## Uso

La forma prevista es a través del repositorio de rt26, que los descarga y comprueba con
`python backend/download_models.py`. Para cargarlos por separado:

```python
import torch, torchvision
from huggingface_hub import hf_hub_download
path = hf_hub_download("JRLR22/rt26-models", "pneumonia_densenet121.pth")
model = torchvision.models.densenet121(weights=None)
model.classifier = torch.nn.Linear(model.classifier.in_features, 2)
model.load_state_dict(torch.load(path, map_location="cpu", weights_only=True)["model_state_dict"])
model.eval()
```

## Datos de entrenamiento

| Modelos | Dataset | Licencia |
| --- | --- | --- |
| Neumonía | [Chest X-Ray Images (Pneumonia)](https://www.kaggle.com/datasets/paultimothymooney/chest-xray-pneumonia): Kermany, Zhang y Goldbaum, Mendeley Data, DOI [10.17632/rscbjbr9sj.2](https://doi.org/10.17632/rscbjbr9sj.2). Pacientes pediátricos de 1 a 5 años | CC BY 4.0 |
| COVID-19 | [COVID-19 Radiography Database](https://www.kaggle.com/datasets/tawsifurrahman/covid19-radiography-database): Chowdhury, Rahman, Khandakar et al. | Ver la página del dataset |
| Tuberculosis | [Tuberculosis (TB) Chest X-ray Database](https://www.kaggle.com/datasets/tawsifurrahman/tuberculosis-tb-chest-xray-dataset): Rahman, Khandakar et al. | Ver la página del dataset |
| U-Net | [Pulmonary Chest X-Ray Abnormalities](https://www.kaggle.com/datasets/kmader/pulmonary-chest-xray-abnormalities): conjuntos Montgomery County y Shenzhen de la U.S. National Library of Medicine. Las máscaras de pulmón son las del conjunto Montgomery (138 radiografías) | Datos públicos de la NLM; se pide citar la fuente |

## Métricas

Valores que muestra la aplicación rt26:

| Modelo | Exactitud | AUC | F1 |
| --- | --- | --- | --- |
| Ensemble neumonía | 92,75 % | 0,972 | 0,93 |
| Ensemble COVID-19 | 98,50 % | 0,991 | 0,98 |
| Ensemble tuberculosis | 97,80 % | 0,985 | 0,97 |
| U-Net | Dice 96,24 % | | |

En la validación guardada durante el entrenamiento, varios modelos llegan a exactitud y AUC de 1,0, en
algunos casos tras una sola época. Un resultado así suele indicar un conjunto de validación pequeño o
demasiado parecido al de entrenamiento, no un modelo infalible.

## Limitaciones

- **Cada enfermedad viene de un dataset distinto.** Los modelos pueden aprender rasgos del origen de la
  imagen (equipo, contraste, marcas, edad) en lugar de la enfermedad.
- **Sin validación externa.** No se han evaluado con datos de otro hospital ni con revisión de radiólogos.
- **Fuera de distribución.** El modelo de neumonía se entrenó con niños de 1 a 5 años. Una imagen sin
  relación con el entrenamiento recibe igualmente una probabilidad.
- **La U-Net** se entrenó con 138 radiografías de un solo programa de cribado.

## Detección YOLO

El proyecto incluye también un detector YOLOv8 de lesiones, **que no se publica aquí**: se entrenó con los
datos de la competición
[VinBigData Chest X-ray Abnormalities Detection](https://www.kaggle.com/competitions/vinbigdata-chest-xray-abnormalities-detection),
cuyas reglas limitan su uso a fines no comerciales y de investigación. La aplicación funciona sin él.

## Licencia

Los pesos se publican bajo [CC BY-NC 4.0](https://creativecommons.org/licenses/by-nc/4.0/). Los datasets
de entrenamiento mantienen sus propias licencias y condiciones.

## Citas

- D. S. Kermany et al., "Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning",
  *Cell* 172(5):1122–1131, 2018. DOI [10.1016/j.cell.2018.02.010](https://doi.org/10.1016/j.cell.2018.02.010).
- M. E. H. Chowdhury et al., "Can AI help in screening Viral and COVID-19 pneumonia?", *IEEE Access*
  8:132665–132676, 2020.
- T. Rahman et al., "Reliable Tuberculosis Detection using Chest X-ray with Deep Learning, Segmentation and
  Visualization", *IEEE Access* 8:191586–191601, 2020. DOI
  [10.1109/ACCESS.2020.3031384](https://doi.org/10.1109/ACCESS.2020.3031384).
- S. Jaeger et al., "Two public chest X-ray datasets for computer-aided screening of pulmonary diseases",
  *Quantitative Imaging in Medicine and Surgery* 4(6):475–477, 2014.
- S. Jaeger et al., "Automatic tuberculosis screening using chest radiographs", *IEEE Transactions on
  Medical Imaging* 33(2):233–245, 2014. DOI [10.1109/TMI.2013.2284099](https://doi.org/10.1109/TMI.2013.2284099).
- S. Candemir et al., "Lung segmentation in chest radiographs using anatomical atlases with nonrigid
  registration", *IEEE Transactions on Medical Imaging* 33(2):577–590, 2014. DOI
  [10.1109/TMI.2013.2290491](https://doi.org/10.1109/TMI.2013.2290491).

Fuente de los conjuntos Montgomery y Shenzhen: National Library of Medicine, National Institutes of
Health, Bethesda, MD, USA, y Shenzhen No.3 People's Hospital, Guangdong Medical College, Shenzhen, China.

	---
	license: cc-by-nc-4.0
	language:
	- es
	library_name: pytorch
	pipeline_tag: image-classification
	tags:
	- medical-imaging
	- chest-x-ray
	- pneumonia
	- covid-19
	- tuberculosis
	- lung-segmentation
	- research
	---

	# rt26 · modelos

	Pesos de los modelos del proyecto [rt26](https://github.com/JRLR22/rt26-chest-xray), un prototipo de investigación
	que analiza radiografías de tórax para apoyar la detección de neumonía, COVID-19 y tuberculosis.

	> No es un dispositivo médico. No está validado clínicamente y sus resultados no constituyen un
	> diagnóstico. Úsalos solo para investigación y docencia.

	## Archivos

	\| Archivo \| Arquitectura \| Tarea \| Tamaño \|
	\| --- \| --- \| --- \| --- \|
	\| `pneumonia_densenet121.pth` \| DenseNet121 \| Normal / neumonía \| 27,1 MB \|
	\| `pneumonia_resnet50.pth` \| ResNet50 \| Normal / neumonía \| 90,0 MB \|
	\| `pneumonia_efficientnet_b0.pth` \| EfficientNet-B0 \| Normal / neumonía \| 15,6 MB \|
	\| `covid_19_densenet121.pth` \| DenseNet121 \| Normal / COVID-19 \| 27,1 MB \|
	\| `covid_19_resnet50.pth` \| ResNet50 \| Normal / COVID-19 \| 90,0 MB \|
	\| `covid_19_efficientnet_b0.pth` \| EfficientNet-B0 \| Normal / COVID-19 \| 15,6 MB \|
	\| `tuberculosis_densenet121.pth` \| DenseNet121 \| Normal / tuberculosis \| 27,1 MB \|
	\| `tuberculosis_resnet50.pth` \| ResNet50 \| Normal / tuberculosis \| 90,0 MB \|
	\| `tuberculosis_efficientnet_b0.pth` \| EfficientNet-B0 \| Normal / tuberculosis \| 15,6 MB \|
	\| `unet_resnet34_best.pth` \| U-Net (encoder ResNet34) \| Segmentación pulmonar \| 93,4 MB \|

	Cada archivo contiene solo `{"model_state_dict": ...}`, sin estado del optimizador ni historial de
	entrenamiento, y se puede abrir con `torch.load(..., weights_only=True)`.

	Los tres clasificadores de cada enfermedad forman un ensemble: la aplicación promedia sus probabilidades
	(soft voting). Entrada: radiografía en escala de grises convertida a 3 canales, 224×224, normalizada
	con la media y desviación de ImageNet. La U-Net recibe 1 canal a 512×512.

	## Uso

	La forma prevista es a través del repositorio de rt26, que los descarga y comprueba con
	`python backend/download_models.py`. Para cargarlos por separado:

	```python
	import torch, torchvision
	from huggingface_hub import hf_hub_download

	path = hf_hub_download("JRLR22/rt26-models", "pneumonia_densenet121.pth")
	model = torchvision.models.densenet121(weights=None)
	model.classifier = torch.nn.Linear(model.classifier.in_features, 2)
	model.load_state_dict(torch.load(path, map_location="cpu", weights_only=True)["model_state_dict"])
	model.eval()
	```

	## Datos de entrenamiento

	\| Modelos \| Dataset \| Licencia \|
	\| --- \| --- \| --- \|
	\| Neumonía \| [Chest X-Ray Images (Pneumonia)](https://www.kaggle.com/datasets/paultimothymooney/chest-xray-pneumonia): Kermany, Zhang y Goldbaum, Mendeley Data, DOI [10.17632/rscbjbr9sj.2](https://doi.org/10.17632/rscbjbr9sj.2). Pacientes pediátricos de 1 a 5 años \| CC BY 4.0 \|
	\| COVID-19 \| [COVID-19 Radiography Database](https://www.kaggle.com/datasets/tawsifurrahman/covid19-radiography-database): Chowdhury, Rahman, Khandakar et al. \| Ver la página del dataset \|
	\| Tuberculosis \| [Tuberculosis (TB) Chest X-ray Database](https://www.kaggle.com/datasets/tawsifurrahman/tuberculosis-tb-chest-xray-dataset): Rahman, Khandakar et al. \| Ver la página del dataset \|
	\| U-Net \| [Pulmonary Chest X-Ray Abnormalities](https://www.kaggle.com/datasets/kmader/pulmonary-chest-xray-abnormalities): conjuntos Montgomery County y Shenzhen de la U.S. National Library of Medicine. Las máscaras de pulmón son las del conjunto Montgomery (138 radiografías) \| Datos públicos de la NLM; se pide citar la fuente \|

	## Métricas

	Valores que muestra la aplicación rt26:

	\| Modelo \| Exactitud \| AUC \| F1 \|
	\| --- \| --- \| --- \| --- \|
	\| Ensemble neumonía \| 92,75 % \| 0,972 \| 0,93 \|
	\| Ensemble COVID-19 \| 98,50 % \| 0,991 \| 0,98 \|
	\| Ensemble tuberculosis \| 97,80 % \| 0,985 \| 0,97 \|
	\| U-Net \| Dice 96,24 % \| \| \|

	En la validación guardada durante el entrenamiento, varios modelos llegan a exactitud y AUC de 1,0, en
	algunos casos tras una sola época. Un resultado así suele indicar un conjunto de validación pequeño o
	demasiado parecido al de entrenamiento, no un modelo infalible.

	## Limitaciones

	- Cada enfermedad viene de un dataset distinto. Los modelos pueden aprender rasgos del origen de la
	imagen (equipo, contraste, marcas, edad) en lugar de la enfermedad.
	- Sin validación externa. No se han evaluado con datos de otro hospital ni con revisión de radiólogos.
	- Fuera de distribución. El modelo de neumonía se entrenó con niños de 1 a 5 años. Una imagen sin
	relación con el entrenamiento recibe igualmente una probabilidad.
	- La U-Net se entrenó con 138 radiografías de un solo programa de cribado.

	## Detección YOLO

	El proyecto incluye también un detector YOLOv8 de lesiones, que no se publica aquí: se entrenó con los
	datos de la competición
	[VinBigData Chest X-ray Abnormalities Detection](https://www.kaggle.com/competitions/vinbigdata-chest-xray-abnormalities-detection),
	cuyas reglas limitan su uso a fines no comerciales y de investigación. La aplicación funciona sin él.

	## Licencia

	Los pesos se publican bajo [CC BY-NC 4.0](https://creativecommons.org/licenses/by-nc/4.0/). Los datasets
	de entrenamiento mantienen sus propias licencias y condiciones.

	## Citas

	- D. S. Kermany et al., "Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning",
	Cell 172(5):1122–1131, 2018. DOI [10.1016/j.cell.2018.02.010](https://doi.org/10.1016/j.cell.2018.02.010).
	- M. E. H. Chowdhury et al., "Can AI help in screening Viral and COVID-19 pneumonia?", IEEE Access
	8:132665–132676, 2020.
	- T. Rahman et al., "Reliable Tuberculosis Detection using Chest X-ray with Deep Learning, Segmentation and
	Visualization", IEEE Access 8:191586–191601, 2020. DOI
	[10.1109/ACCESS.2020.3031384](https://doi.org/10.1109/ACCESS.2020.3031384).
	- S. Jaeger et al., "Two public chest X-ray datasets for computer-aided screening of pulmonary diseases",
	Quantitative Imaging in Medicine and Surgery 4(6):475–477, 2014.
	- S. Jaeger et al., "Automatic tuberculosis screening using chest radiographs", *IEEE Transactions on
	Medical Imaging* 33(2):233–245, 2014. DOI [10.1109/TMI.2013.2284099](https://doi.org/10.1109/TMI.2013.2284099).
	- S. Candemir et al., "Lung segmentation in chest radiographs using anatomical atlases with nonrigid
	registration", IEEE Transactions on Medical Imaging 33(2):577–590, 2014. DOI
	[10.1109/TMI.2013.2290491](https://doi.org/10.1109/TMI.2013.2290491).

	Fuente de los conjuntos Montgomery y Shenzhen: National Library of Medicine, National Institutes of
	Health, Bethesda, MD, USA, y Shenzhen No.3 People's Hospital, Guangdong Medical College, Shenzhen, China.