Modelos de rt26

README.md

@@ -0,0 +1,126 @@
+---
+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/SADEPMRT), 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.

covid_19_densenet121.pth

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:5468eab24cff58a1e1212b3d2cf090b7c4a583f98c5906f9d02eeace8dbf6b21
+size 28427619

covid_19_efficientnet_b0.pth

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:a3872f2c010a3745f402083cd37e0a4b9d63480f2a7910ea3ec597aa3d97015a
+size 16334222

covid_19_resnet50.pth

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:d5059ed2354243192d3137cbecc50a9609693ac98dd89518f23ffb752431d591
+size 94364890

pneumonia_densenet121.pth

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:fc89cb2bc9f0e624630901f8a5ad4973789a64c4a89fcc0cb26e51f5d13f0ca5
+size 28428350

pneumonia_efficientnet_b0.pth

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:dab40ed148637e85e365db52b92d56b9f6e5800a244950e7e4b18e0ecc888abb
+size 16334586

pneumonia_resnet50.pth

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:eeaaa8099317dedcf3802e83395de32720be8c50515e02d84674bcce34634cde
+size 94365214

tuberculosis_densenet121.pth

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:e3f9671002c8a7293f788a5f3ce207364bee56788ff2d381fcff631c1b0d8ed8
+size 28430607

tuberculosis_efficientnet_b0.pth

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:7c72a68035ad8499ec2448737fb45f09dd8f71b60f84635f294239dd2d2db1b8
+size 16335678

tuberculosis_resnet50.pth

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:e362e6fd889a16405b53d4c35512129865f11ec97a11f2a3825bca228c3170d9
+size 94366186

unet_resnet34_best.pth

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:f53c41dd62b26849a8010a949eec50e827cc5c577e787040b5cdd7afef176ab4
+size 97893156