ModelsGenesis

用未标注医学影像预训练，让下游任务模型更准更稳

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署开源模型 🍴 复刻 143 🐛 待处理 28 👀 关注 13

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 795

维护状态维护中

是否开源开源

定价模式 🏷️完全免费开源项目，本地部署，完全免费

项目预览

ModelsGenesis 项目界面预览图 — 图片来源：GitHub 官方仓库名片

项目数据

分类开源模型

开发团队MrGiovanni

官网地址https://www.cs.jhu.edu/~zongwei/publication/zhou2020models.pdf

GitHubhttps://github.com/MrGiovanni/ModelsGenesis

定价模式🏷️完全免费

价格说明开源项目，本地部署，完全免费

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议NOASSERTION

主要语言Jupyter Notebook

技术栈/模型3d-model,3d-segmentation,chest-ct,ct,feature-learning,fine-tuning,foundation-models,medical-image-analysis,medical-imaging,mr,pre-trained-model,representation-learning,self-supervised-learning,transfer-learning,unsupervised-learning

GitHub 星标★ 795

上线时间2019-07-24 00:00:00

代码更新2026-08-25

仓库体积22.6 MB

本站数据更新2026-11-10

维护状态维护中

收录时间2026-08-09

浏览次数7

项目介绍

Models Genesis 是医学图像分析领域最早的基础模型之一，由 MICCAI 2019 青年科学家奖和 MEDIA 2020 最佳论文奖背书。它通过自监督学习在大量未标注的医学影像上预训练深度网络，学习通用的视觉特征表示，从而解决医学影像标注数据稀缺、模型泛化能力差的问题。核心能力包括：支持多种下游任务（分类、分割、检测等），提供预训练权重和训练代码，并针对不同模态（CT、MRI、X光）和不同网络架构（2D/3D）提供灵活配置。项目以 Jupyter Notebook 形式提供完整示例，便于研究者复现和扩展。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 795

技术标签

fine-tuning foundation-models medical-image-analysis medical-imaging pre-trained-model

使用教程

ℹ 本教程由 AI 依据该项目 README 整理，个别步骤可能需要按你的环境微调。

难度：进阶约 40 分钟部署方式：本地安装 4 步

环境要求

NVIDIA GPU
Python 3.7+
TensorFlow 2.x / Keras

安装与启动步骤

1克隆

医学影像的自监督预训练方法，含训练与迁移脚本。
```
git clone https://github.com/MrGiovanni/ModelsGenesis.git
cd ModelsGenesis
```
2装依赖

老项目，注意 keras 与 tensorflow 版本。
```
pip install -r requirements.txt
```
3准备数据

需要 NIfTI 格式的 CT/MRI，先放少量样本试通。
```
python prepare_data.py --data ./data
```
4跑预训练或迁移

小数据先跑迁移学习即可。
```
python Genesis_Chest_CT.py
```