[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-MrGiovanni--ModelsGenesis":3,"tool-MrGiovanni--ModelsGenesis":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",140436,2,"2026-04-05T23:32:43",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":80,"owner_email":81,"owner_twitter":82,"owner_website":83,"owner_url":84,"languages":85,"stars":98,"forks":99,"last_commit_at":100,"license":101,"difficulty_score":10,"env_os":102,"env_gpu":103,"env_ram":104,"env_deps":105,"category_tags":111,"github_topics":112,"view_count":23,"oss_zip_url":120,"oss_zip_packed_at":120,"status":16,"created_at":121,"updated_at":122,"faqs":123,"releases":153},1310,"MrGiovanni\u002FModelsGenesis","ModelsGenesis","[MICCAI 2019 Young Scientist Award] [MEDIA 2020 Best Paper Award] Models Genesis, one of the first \"foundation\" models in medical image analysis for multiple downstream tasks","Models Genesis 是医学影像领域最早的一批“基础模型”之一，专为 3D 医学图像设计。它通过自监督学习，在没有任何人工标注的情况下，从大量 CT、MRI 等体数据里“自学”出通用特征，就像先打好地基，再为分割、检测、分类等下游任务快速“盖房子”。  \n如果你只有少量标注数据，却想让 3D 网络迅速达到临床可用精度，Models Genesis 能直接把预训练权重借给你，显著减少训练时间和样本需求。  \n它尤其适合医学影像算法研究者、医院 AI 开发者，以及参加 MICCAI、Grand Challenge 等竞赛的团队。  \n亮点：完全自监督预训练、跨器官跨模态通用、已集成到 nnU-Net 并在肝脏肿瘤与海马体分割任务中排名第一，同时提供 Keras 与 PyTorch 双版本代码，开箱即用。","\u003Cp align=\"center\">\u003Cimg width=\"70%\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMrGiovanni_ModelsGenesis_readme_dbe569d41819.png\" \u002F>\u003C\u002Fp>\n\n\u003Cdiv align=\"center\">\n\n![visitors](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMrGiovanni_ModelsGenesis_readme_3fae776d25b0.png)\n[![GitHub Repo stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002FMrGiovanni\u002FModelsGenesis?style=social)](https:\u002F\u002Fgithub.com\u002FMrGiovanni\u002FModelsGenesis\u002Fstargazers)\n\n\u003C\u002Fdiv>\n\nWe have built a set of pre-trained models called \u003Cb>Generic Autodidactic Models\u003C\u002Fb>, nicknamed \u003Cb>Models Genesis\u003C\u002Fb>, because they are created \u003Ci>ex nihilo\u003C\u002Fi> (with no manual labeling), self-taught (learned by self-supervision), and generic (served as source models for generating application-specific target models). We envision that Models Genesis may serve as a primary source of transfer learning for 3D medical imaging applications, in particular, with limited annotated data. \n\n\u003Cp align=\"center\">\u003Cimg width=\"100%\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMrGiovanni_ModelsGenesis_readme_7f36250caf32.png\" \u002F>\u003C\u002Fp>\n\u003Cp align=\"center\">\u003Cimg width=\"85%\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMrGiovanni_ModelsGenesis_readme_57a9df54e4b1.png\" \u002F>\u003C\u002Fp>\n\n\n## Paper\nThis repository provides the official implementation of training Models Genesis as well as the usage of the pre-trained Models Genesis in the following paper:\n\n\u003Cb>Models Genesis: Generic Autodidactic Models for 3D Medical Image Analysis\u003C\u002Fb> \u003Cbr\u002F>\n[Zongwei Zhou](https:\u002F\u002Fwww.zongweiz.com\u002F)\u003Csup>1\u003C\u002Fsup>, [Vatsal Sodha](https:\u002F\u002Fgithub.com\u002Fvatsal-sodha)\u003Csup>1\u003C\u002Fsup>, [Md Mahfuzur Rahman Siddiquee](https:\u002F\u002Fgithub.com\u002Fmahfuzmohammad)\u003Csup>1\u003C\u002Fsup>,  \u003Cbr\u002F>\n[Ruibin Feng](https:\u002F\u002Fchs.asu.edu\u002Fruibin-feng)\u003Csup>1\u003C\u002Fsup>, [Nima Tajbakhsh](https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Fnima-tajbakhsh-b5454376\u002F)\u003Csup>1\u003C\u002Fsup>, [Michael B. Gotway](https:\u002F\u002Fwww.mayoclinic.org\u002Fbiographies\u002Fgotway-michael-b-m-d\u002Fbio-20055566)\u003Csup>2\u003C\u002Fsup>, and [Jianming Liang](https:\u002F\u002Fchs.asu.edu\u002Fjianming-liang)\u003Csup>1\u003C\u002Fsup> \u003Cbr\u002F>\n\u003Csup>1 \u003C\u002Fsup>Arizona State University,   \u003Csup>2 \u003C\u002Fsup>Mayo Clinic \u003Cbr\u002F>\nInternational Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), 2019 \u003Cbr\u002F>\n\u003Cb>[Young Scientist Award](http:\u002F\u002Fwww.miccai.org\u002Fabout-miccai\u002Fawards\u002Fyoung-scientist-award\u002F)\u003C\u002Fb>  \u003Cbr\u002F>\n[paper](http:\u002F\u002Fwww.cs.toronto.edu\u002F~liang\u002FPublications\u002FModelsGenesis\u002FMICCAI_2019_Full.pdf) | [code](https:\u002F\u002Fgithub.com\u002FMrGiovanni\u002FModelsGenesis) | [slides](https:\u002F\u002Fdocs.wixstatic.com\u002Fugd\u002Fdeaea1_c5e0f8cd9cde4c3db339d866483cbcd3.pdf) | [poster](http:\u002F\u002Fwww.cs.toronto.edu\u002F~liang\u002FPublications\u002FModelsGenesis\u002FModels_Genesis_Poster.pdf) | talk ([YouTube](https:\u002F\u002Fyoutu.be\u002F5W_uGzBloZs), [YouKu](https:\u002F\u002Fv.youku.com\u002Fv_show\u002Fid_XNDM5NjQ1ODAxMg==.html?sharefrom=iphone&sharekey=496e1494c76ed263653aa3aada61c23e6)) | [blog](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F86366534)\n\n\u003Cb>Models Genesis\u003C\u002Fb> \u003Cbr\u002F>\n[Zongwei Zhou](https:\u002F\u002Fwww.zongweiz.com\u002F)\u003Csup>1\u003C\u002Fsup>, [Vatsal Sodha](https:\u002F\u002Fgithub.com\u002Fvatsal-sodha)\u003Csup>1\u003C\u002Fsup>, [Jiaxuan Pang](https:\u002F\u002Fgithub.com\u002FMRJasonP)\u003Csup>1\u003C\u002Fsup>, [Michael B. Gotway](https:\u002F\u002Fwww.mayoclinic.org\u002Fbiographies\u002Fgotway-michael-b-m-d\u002Fbio-20055566)\u003Csup>2\u003C\u002Fsup>, and [Jianming Liang](https:\u002F\u002Fchs.asu.edu\u002Fjianming-liang)\u003Csup>1\u003C\u002Fsup> \u003Cbr\u002F>\n\u003Csup>1 \u003C\u002Fsup>Arizona State University,   \u003Csup>2 \u003C\u002Fsup>Mayo Clinic \u003Cbr\u002F>\nMedical Image Analysis (MedIA) \u003Cbr\u002F>\n\u003Cb>[MedIA Best Paper Award](http:\u002F\u002Fwww.miccai.org\u002Fabout-miccai\u002Fawards\u002Fmedical-image-analysis-best-paper-award\u002F)\u003C\u002Fb>  \u003Cbr\u002F>\n[paper](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2004.07882.pdf) | [code](https:\u002F\u002Fgithub.com\u002FMrGiovanni\u002FModelsGenesis) | [slides](https:\u002F\u002Fd5b3ebbb-7f8d-4011-9114-d87f4a930447.filesusr.com\u002Fugd\u002Fdeaea1_5ecdfa48836941d6ad174dcfbc925575.pdf) | [graphical abstract](https:\u002F\u002Fars.els-cdn.com\u002Fcontent\u002Fimage\u002F1-s2.0-S1361841520302048-fx1_lrg.jpg)\n\n\u003Cp float=\"center\">\n  \u003Cimg width=\"30%\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMrGiovanni_ModelsGenesis_readme_88e647fe11c4.jpg\" \u002F>\n  \u003Cimg width=\"60%\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMrGiovanni_ModelsGenesis_readme_f40d84029e68.jpg\" \u002F> \n\u003C\u002Fp>\n\n## Available implementation\n\n- keras\u002F\n- pytorch\u002F\n\n**★ News: Models Genesis, incorporated with nnU-Net, [rank # 1](https:\u002F\u002Fdecathlon-10.grand-challenge.org\u002Fevaluation\u002Fchallenge\u002Fleaderboard\u002F) in segmenting liver\u002Ftumor and hippocampus.**\n- competition\u002F\n\n\n## Major results from our work\n\n1. **Models Genesis outperform 3D models trained from scratch**\n2. **Models Genesis top any 2D approaches, including ImageNet models and degraded 2D Models Genesis**\n3. **Models Genesis (2D) offer performances equivalent to supervised pre-trained models**\n\nThe par plots presented below are produced by Matlab code in `figures\u002Fplotsuperbar.m` and the helper functions in `figures\u002Fsuperbar`. Credit to [superbar](https:\u002F\u002Fgithub.com\u002Fscottclowe\u002Fsuperbar) by Scott Lowe.\n\n\u003Cp align=\"center\">\u003Cimg width=\"90%\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMrGiovanni_ModelsGenesis_readme_61c5a4301a8c.png\" \u002F>\u003C\u002Fp>\n\nNote that learning from scratch \u003Ci>simply\u003C\u002Fi> in 3D may not necessarily yield performance better than ImageNet-based transfer learning in 2D\n\n\n## Citation\nIf you use this code or use our pre-trained weights for your research, please cite our papers:\n```\n@InProceedings{zhou2019models,\n  author=\"Zhou, Zongwei and Sodha, Vatsal and Rahman Siddiquee, Md Mahfuzur and Feng, Ruibin and Tajbakhsh, Nima and Gotway, Michael B. and Liang, Jianming\",\n  title=\"Models Genesis: Generic Autodidactic Models for 3D Medical Image Analysis\",\n  booktitle=\"Medical Image Computing and Computer Assisted Intervention -- MICCAI 2019\",\n  year=\"2019\",\n  publisher=\"Springer International Publishing\",\n  address=\"Cham\",\n  pages=\"384--393\",\n  isbn=\"978-3-030-32251-9\",\n  url=\"https:\u002F\u002Flink.springer.com\u002Fchapter\u002F10.1007\u002F978-3-030-32251-9_42\"\n}\n\n@article{zhou2021models,\n  title=\"Models Genesis\",\n  author=\"Zhou, Zongwei and Sodha, Vatsal and Pang, Jiaxuan and Gotway, Michael B and Liang, Jianming\",\n  journal=\"Medical Image Analysis\",\n  volume = \"67\",\n  pages = \"101840\",\n  year = \"2021\",\n  issn = \"1361-8415\",\n  doi = \"https:\u002F\u002Fdoi.org\u002F10.1016\u002Fj.media.2020.101840\",\n  url = \"http:\u002F\u002Fwww.sciencedirect.com\u002Fscience\u002Farticle\u002Fpii\u002FS1361841520302048\",\n}\n\n@phdthesis{zhou2021towards,\n  title={Towards Annotation-Efficient Deep Learning for Computer-Aided Diagnosis},\n  author={Zhou, Zongwei},\n  year={2021},\n  school={Arizona State University}\n}\n```\n\n\n## Acknowledgement\nThis research has been supported partially by ASU and Mayo Clinic through a Seed Grant and an Innovation Grant, and partially by the National Institutes of Health (NIH) under Award Number R01HL128785. The content is solely the responsibility of the authors and does not necessarily represent the official views of the NIH. This work has utilized the GPUs provided partially by the ASU Research Computing and partially by the Extreme Science and Engineering Discovery Environment (XSEDE) funded by the National Science Foundation (NSF) under grant number ACI-1548562. This is a patent-pending technology.\n","\u003Cp align=\"center\">\u003Cimg width=\"70%\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMrGiovanni_ModelsGenesis_readme_dbe569d41819.png\" \u002F>\u003C\u002Fp>\n\n\u003Cdiv align=\"center\">\n\n![visitors](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMrGiovanni_ModelsGenesis_readme_3fae776d25b0.png)\n[![GitHub Repo stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002FMrGiovanni\u002FModelsGenesis?style=social)](https:\u002F\u002Fgithub.com\u002FMrGiovanni\u002FModelsGenesis\u002Fstargazers)\n\n\u003C\u002Fdiv>\n\n我们构建了一组预训练模型，称为\u003Cb>通用自学习模型\u003C\u002Fb>,昵称为\u003Cb>Models Genesis\u003C\u002Fb>,因为它们是\u003Ci>从无到有\u003C\u002Fi>创建的（无需人工标注）、通过自我监督学习而成，并且具有通用性（可作为源模型用于生成特定应用的目标模型）。我们设想，Models Genesis有望成为3D医学影像应用中迁移学习的主要来源，尤其是在标注数据有限的情况下。\n\n\u003Cp align=\"center\">\u003Cimg width=\"100%\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMrGiovanni_ModelsGenesis_readme_7f36250caf32.png\" \u002F>\u003C\u002Fp>\n\u003Cp align=\"center\">\u003Cimg width=\"85%\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMrGiovanni_ModelsGenesis_readme_57a9df54e4b1.png\" \u002F>\u003C\u002Fp>\n\n\n## 论文\n本仓库提供了Models Genesis的官方训练实现，以及在以下论文中使用预训练Models Genesis的方法：\n\n\u003Cb>Models Genesis：用于3D医学图像分析的通用自学习模型\u003C\u002Fb> \u003Cbr\u002F>\n[Zongwei Zhou](https:\u002F\u002Fwww.zongweiz.com\u002F)\u003Csup>1\u003C\u002Fsup>, [Vatsal Sodha](https:\u002F\u002Fgithub.com\u002Fvatsal-sodha)\u003Csup>1\u003C\u002Fsup>, [Md Mahfuzur Rahman Siddiquee](https:\u002F\u002Fgithub.com\u002Fmahfuzmohammad)\u003Csup>1\u003C\u002Fsup>,  \u003Cbr\u002F>\n[Ruibin Feng](https:\u002F\u002Fchs.asu.edu\u002Fruibin-feng)\u003Csup>1\u003C\u002Fsup>, [Nima Tajbakhsh](https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Fnima-tajbakhsh-b5454376\u002F)\u003Csup>1\u003C\u002Fsup>, [Michael B. Gotway](https:\u002F\u002Fwww.mayoclinic.org\u002Fbiographies\u002Fgotway-michael-b-m-d\u002Fbio-20055566)\u003Csup>2\u003C\u002Fsup>,和[Jianming Liang](https:\u002F\u002Fchs.asu.edu\u002Fjianming-liang)\u003Csup>1\u003C\u002Fsup> \u003Cbr\u002F>\n\u003Csup>1 \u003C\u002Fsup>亚利桑那州立大学，   \u003Csup>2 \u003C\u002Fsup>梅奥诊所 \u003Cbr\u002F>\n国际医学图像计算与计算机辅助干预会议（MICCAI），2019年 \u003Cbr\u002F>\n\u003Cb>[青年科学家奖](http:\u002F\u002Fwww.miccai.org\u002Fabout-miccai\u002Fawards\u002Fyoung-scientist-award\u002F)\u003C\u002Fb>  \u003Cbr\u002F>\n[论文](http:\u002F\u002Fwww.cs.toronto.edu\u002F~liang\u002FPublications\u002FModelsGenesis\u002FMICCAI_2019_Full.pdf) | [代码](https:\u002F\u002Fgithub.com\u002FMrGiovanni\u002FModelsGenesis) | [幻灯片](https:\u002F\u002Fdocs.wixstatic.com\u002Fugd\u002Fdeaea1_c5e0f8cd9cde4c3db339d866483cbcd3.pdf) | [海报](http:\u002F\u002Fwww.cs.toronto.edu\u002F~liang\u002FPublications\u002FModelsGenesis\u002FModels_Genesis_Poster.pdf) | 演讲 ([YouTube](https:\u002F\u002Fyoutu.be\u002F5W_uGzBloZs), [优酷](https:\u002F\u002Fv.youku.com\u002Fv_show\u002Fid_XNDM5NjQ1ODAxMg==.html?sharefrom=iphone&sharekey=496e1494c76ed263653aa3aada61c23e6)) | [博客](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F86366534)\n\n\u003Cb>Models Genesis\u003C\u002Fb> \u003Cbr\u002F>\n[Zongwei Zhou](https:\u002F\u002Fwww.zongweiz.com\u002F)\u003Csup>1\u003C\u002Fsup>, [Vatsal Sodha](https:\u002F\u002Fgithub.com\u002Fvatsal-sodha)\u003Csup>1\u003C\u002Fsup>, [Jiaxuan Pang](https:\u002F\u002Fgithub.com\u002FMRJasonP)\u003Csup>1\u003C\u002Fsup>, [Michael B. Gotway](https:\u002F\u002Fwww.mayoclinic.org\u002Fbiographies\u002Fgotway-michael-b-m-d\u002Fbio-20055566)\u003Csup>2\u003C\u002Fsup>,和[Jianming Liang](https:\u002F\u002Fchs.asu.edu\u002Fjianming-liang)\u003Csup>1\u003C\u002Fsup> \u003Cbr\u002F>\n\u003Csup>1 \u003C\u002Fsup>亚利桑那州立大学，   \u003Csup>2 \u003C\u002Fsup>梅奥诊所 \u003Cbr\u002F>\n医学图像分析（MedIA） \u003Cbr\u002F>\n\u003Cb>[MedIA最佳论文奖](http:\u002F\u002Fwww.miccai.org\u002Fabout-miccai\u002Fawards\u002Fmedical-image-analysis-best-paper-award\u002F)\u003C\u002Fb>  \u003Cbr\u002F>\n[论文](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2004.07882.pdf) | [代码](https:\u002F\u002Fgithub.com\u002FMrGiovanni\u002FModelsGenesis) | [幻灯片](https:\u002F\u002Fd5b3ebbb-7f8d-4011-9114-d87f4a930447.filesusr.com\u002Fugd\u002Fdeaea1_5ecdfa48836941d6ad174dcfbc925575.pdf) | [图形摘要](https:\u002F\u002Fars.els-cdn.com\u002Fcontent\u002Fimage\u002F1-s2.0-S1361841520302048-fx1_lrg.jpg)\n\n\u003Cp float=\"center\">\n  \u003Cimg width=\"30%\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMrGiovanni_ModelsGenesis_readme_88e647fe11c4.jpg\" \u002F>\n  \u003Cimg width=\"60%\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMrGiovanni_ModelsGenesis_readme_f40d84029e68.jpg\" \u002F> \n\u003C\u002Fp>\n\n## 可用实现\n\n- keras\u002F\n- pytorch\u002F\n\n**★ 新闻：Models Genesis与nnU-Net结合，在肝脏\u002F肿瘤及海马体分割任务中荣获[第1名](https:\u002F\u002Fdecathlon-10.grand-challenge.org\u002Fevaluation\u002Fchallenge\u002Fleaderboard\u002F)。**\n- 竞赛\u002F\n\n\n## 我们工作的主要成果\n\n1. **Models Genesis的表现优于从零开始训练的3D模型**\n2. **Models Genesis超越所有2D方法，包括ImageNet模型及降维后的2D Models Genesis**\n3. **Models Genesis（2D）的表现与监督式预训练模型相当**\n\n下文中的并列图由Matlab代码`figures\u002Fplotsuperbar.m`及其辅助函数`figures\u002Fsuperbar`生成。感谢Scott Lowe开发的[superbar](https:\u002F\u002Fgithub.com\u002Fscottclowe\u002Fsuperbar)。\n\n\u003Cp align=\"center\">\u003Cimg width=\"90%\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMrGiovanni_ModelsGenesis_readme_61c5a4301a8c.png\" \u002F>\u003C\u002Fp>\n\n请注意，单纯在3D领域从零开始学习，未必能取得比基于ImageNet的2D迁移学习更好的性能。\n\n\n## 引用\n如果您在研究中使用本代码或我们的预训练权重，请引用我们的论文：\n```\n@InProceedings{zhou2019models,\n  author=\"Zhou, Zongwei and Sodha, Vatsal and Rahman Siddiquee, Md Mahfuzur and Feng, Ruibin and Tajbakhsh, Nima and Gotway, Michael B. and Liang, Jianming\",\n  title=\"Models Genesis：用于3D医学图像分析的通用自学习模型\",\n  booktitle=\"医学图像计算与计算机辅助干预——MICCAI 2019\",\n  year=\"2019\",\n  publisher=\"Springer International Publishing\",\n  address=\"Cham\",\n  pages=\"384--393\",\n  isbn=\"978-3-030-32251-9\",\n  url=\"https:\u002F\u002Flink.springer.com\u002Fchapter\u002F10.1007\u002F978-3-030-32251-9_42\"\n}\n\n@article{zhou2021models,\n  title=\"Models Genesis\",\n  author=\"Zhou, Zongwei and Sodha, Vatsal and Pang, Jiaxuan and Gotway, Michael B and Liang, Jianming\",\n  journal=\"医学图像分析\",\n  volume = \"67\",\n  pages = \"101840\",\n  year = \"2021\",\n  issn = \"1361-8415\",\n  doi = \"https:\u002F\u002Fdoi.org\u002F10.1016\u002Fj.media.2020.101840\",\n  url = \"http:\u002F\u002Fwww.sciencedirect.com\u002Fscience\u002Farticle\u002Fpii\u002FS1361841520302048\",\n}\n\n@phdthesis{zhou2021towards,\n  title={迈向面向标注效率的计算机辅助诊断深度学习},\n  author={Zhou, Zongwei},\n  year={2021},\n  school={亚利桑那州立大学}\n}\n```\n\n\n## 致谢\n本研究部分得到了亚利桑那州立大学和梅奥诊所通过种子基金与创新基金的支持，另一部分则由美国国立卫生研究院（NIH）通过R01HL128785号资助提供。内容仅由作者负责，不一定代表NIH的官方立场。本工作还使用了部分由亚利桑那州立大学科研计算中心、部分由美国国家科学基金会（NSF）资助的极端科学与工程发现环境（XSEDE）提供的GPU。这是一项正在申请专利的技术。","# ModelsGenesis 快速上手指南\n\n## 环境准备\n- **系统**：Linux \u002F macOS \u002F Windows（推荐 Ubuntu 20.04+）\n- **Python**：3.7–3.9\n- **GPU**：CUDA 10.2+（显存 ≥ 8 GB）\n- **依赖**：PyTorch ≥ 1.7 或 TensorFlow ≥ 2.4\n\n## 安装步骤\n\n1. 克隆仓库  \n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002FMrGiovanni\u002FModelsGenesis.git\n   cd ModelsGenesis\n   ```\n\n2. 创建虚拟环境  \n   ```bash\n   python -m venv mg_env\n   source mg_env\u002Fbin\u002Factivate   # Windows: mg_env\\Scripts\\activate\n   ```\n\n3. 安装依赖  \n   **PyTorch 版本**  \n   ```bash\n   pip install -r pytorch\u002Frequirements.txt\n   ```\n   **Keras 版本**  \n   ```bash\n   pip install -r keras\u002Frequirements.txt\n   ```\n\n4. 下载预训练权重（国内镜像）  \n   ```bash\n   # 进入对应框架目录\n   cd pytorch   # 或 cd keras\n   wget https:\u002F\u002Fghproxy.com\u002Fhttps:\u002F\u002Fgithub.com\u002FMrGiovanni\u002FModelsGenesis\u002Freleases\u002Fdownload\u002Fv1.0\u002Fgenesis_ct.pt\n   ```\n\n## 基本使用\n\n### PyTorch 示例：加载预训练模型并微调\n```python\nfrom genesis import UNet3D\nimport torch\n\n# 1. 加载预训练权重\nmodel = UNet3D()\ncheckpoint = torch.load('genesis_ct.pt', map_location='cpu')\nmodel.load_state_dict(checkpoint['state_dict'])\n\n# 2. 替换输出层（以二分类为例）\nmodel.final_conv[1] = torch.nn.Conv3d(16, 1, kernel_size=1)\n\n# 3. 开始微调\n# ...（常规 PyTorch 训练流程）\n```\n\n### Keras 示例：直接推理\n```python\nfrom keras.models import load_model\nimport numpy as np\n\n# 加载模型\nmodel = load_model('genesis_ct.h5')\n\n# 输入形状：(batch, 64, 64, 32, 1)\nx = np.random.randn(1, 64, 64, 32, 1)\npred = model.predict(x)\n```\n\n### 快速验证\n```bash\n# 运行官方示例\ncd pytorch\npython test.py --input sample.nii.gz --model genesis_ct.pt\n```","某三甲医院放射科 AI 小组需要在 2 周内上线一套“肺结节良恶性分类”模型，用于低剂量 CT 筛查门诊；数据只有 218 例已标注病例，而院内 PACS 中却有 3 万余例无标注的薄层胸部 CT。\n\n### 没有 ModelsGenesis 时\n- 从零训练 3D CNN：218 例数据极易过拟合，验证 AUC 仅 0.63，医生不敢上线。  \n- 手工找公开权重：只能拿到自然图像或 2D 医疗预训练，迁移效果差，还需自己改网络、调 patch 尺寸，耗时 4-5 天。  \n- 标注成本激增：为了提升性能，临时又请人标了 500 例，预算超 2 万元，项目延期一周。  \n- 多任务需求：领导还要求同时做肺叶分割和血管重建，团队被迫再训两个模型，人力捉襟见肘。\n\n### 使用 ModelsGenesis 后\n- 直接加载 ModelsGenesis 的 3D 自监督权重，仅用 218 例微调 30 epoch，验证 AUC 升至 0.87，过拟合显著缓解。  \n- 一行代码完成迁移：官方已提供 Keras\u002FPyTorch 接口，patch-size、spacing 与院内 CT 完全匹配，2 小时即可跑通训练脚本。  \n- 无需额外标注：自监督预训练已从无标注 3 万例中学会通用解剖特征，省下 500 例标注费用，项目按期交付。  \n- 同一套权重同时支持结节分类、肺叶分割和血管重建，只需替换最后几层，三任务并行开发，人力节省一半。\n\nModelsGenesis 让“小数据、多任务、短周期”的 3D 医疗 AI 落地成为现实。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMrGiovanni_ModelsGenesis_7f36250c.png","MrGiovanni","Zongwei Zhou","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FMrGiovanni_03844ef5.png","My research focuses on developing novel methods to reduce the annotation efforts for computer-aided detection and diagnosis.","Johns Hopkins University","Baltimore, MD","zzhou82@jh.edu","Zongwei_Zhou","https:\u002F\u002Fwww.zongweiz.com","https:\u002F\u002Fgithub.com\u002FMrGiovanni",[86,90,94],{"name":87,"color":88,"percentage":89},"Jupyter Notebook","#DA5B0B",97.1,{"name":91,"color":92,"percentage":93},"Python","#3572A5",1.8,{"name":95,"color":96,"percentage":97},"MATLAB","#e16737",1.1,777,144,"2026-03-30T18:34:14","NOASSERTION","Linux, macOS, Windows","需要 NVIDIA GPU，显存 ≥ 8 GB，CUDA 版本未说明","未说明",{"notes":106,"python":104,"dependencies":107},"官方提供 Keras 与 PyTorch 两种实现；若用于 3D 医学影像分割，推荐与 nnU-Net 集成；代码已用于 MICCAI 竞赛，需准备 3D 医学影像数据",[108,109,110],"keras","pytorch","nnU-Net",[54,13],[113,114,115,116,117,118,119],"fine-tuning","representation-learning","transfer-learning","self-supervised-learning","3d-model","pre-trained-model","foundation-models",null,"2026-03-27T02:49:30.150509","2026-04-06T08:10:26.248736",[124,129,134,139,144,149],{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},5994,"如何获取 Model Genesis 的 2D 胸部 CT 预训练权重？","维护者已重新上传了 2D 预训练权重，可通过以下两个链接下载：\n1. OneDrive 链接：https:\u002F\u002Flivejohnshopkins-my.sharepoint.com\u002F:f:\u002Fg\u002Fpersonal\u002Fzzhou82_jh_edu\u002FEu3b9ujiMZBNm48e_HdbcE0BjzGd0P2IyW9HjOAAjQry9Q?e=8CU68j\n2. Google Drive 链接：https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1SHKFPCaIwYXmKQbDPECnq3cKFEf8yrq9?usp=sharing\n注意：2D 主干网络为 ResNet18。","https:\u002F\u002Fgithub.com\u002FMrGiovanni\u002FModelsGenesis\u002Fissues\u002F41",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},5995,"预训练模型输入尺寸为 64×64×32，但我的 DICOM 是 512×512，如何用于分割？","直接在全尺寸 512×512×Z 上分割结节非常困难，建议采用“两步法”：\n1. 先用候选生成器（如 Faster-RCNN）在全图中定位结节，裁剪出 64×64×32 的小立方体；\n2. 再用 Models Genesis 预训练权重在这些小立方体上做精细分割。\n参考实现：\n- DSB2017 方案：https:\u002F\u002Fgithub.com\u002Fdhammack\u002FDSB2017\u002Fblob\u002Fmaster\u002Fdsb_2017_daniel_hammack.pdf\n- Kaggle 第二名方案：http:\u002F\u002Fblog.kaggle.com\u002F2017\u002F06\u002F29\u002F2017-data-science-bowl-predicting-lung-cancer-2nd-place-solution-write-up-daniel-hammack-and-julian-de-wit\u002F","https:\u002F\u002Fgithub.com\u002FMrGiovanni\u002FModelsGenesis\u002Fissues\u002F9",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},5996,"能否把 Models Genesis 用于结节检测（定位+分类）？","目前 Models Genesis 主要针对“分类”或“分割”任务。对于检测任务，建议：\n1. 先用传统检测网络（如 Faster-RCNN、RetinaNet 等）在全图上定位结节；\n2. 将定位到的子体积裁剪出来；\n3. 再用 Models Genesis 预训练权重做假阳性抑制和最终分类。\n作者尚未发布端到端检测代码，可参考 issue #9 中的讨论。","https:\u002F\u002Fgithub.com\u002FMrGiovanni\u002FModelsGenesis\u002Fissues\u002F17",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},5997,"PyTorch 版代码中 GlobalAveragePooling3D 后 view 写法是否正确？","原代码存在括号缺失，已修复。正确写法应为：\n```python\n.view(self.classification_feature.size()[0], -1)\n```\n对应 Keras 实现：\n```python\nx = GlobalAveragePooling3D()(x)\nx = Dense(1024, activation='relu')(x)\noutput = Dense(num_class, activation='softmax')(x)\n```\nPyTorch 版同样使用两层全连接，与 Keras 保持一致。","https:\u002F\u002Fgithub.com\u002FMrGiovanni\u002FModelsGenesis\u002Fissues\u002F27",{"id":145,"question_zh":146,"answer_zh":147,"source_url":148},5998,"Models Genesis 2D 预训练权重是否优于 ImageNet 权重？","在 2D 任务上，Models Genesis 2D 与 ImageNet 权重性能“相当”，但显著优于随机初始化。由于 ImageNet 权重已广泛使用且无需额外训练，作者不建议在 2D 任务中专门使用 Models Genesis 2D 权重。Models Genesis 2D 主要作为消融实验，而非主推产品。若未来能进一步提升其迁移能力，作者可能会发布 NIH Chest X-ray 上训练的 2D 权重。","https:\u002F\u002Fgithub.com\u002FMrGiovanni\u002FModelsGenesis\u002Fissues\u002F3",{"id":150,"question_zh":151,"answer_zh":152,"source_url":138},5999,"能否公开 NCC\u002FNCS\u002FECC\u002FLCS\u002FBMS 等实验的完整设置？","作者暂未公开详细的实验脚本，但已给出关键提示：\n- 预处理：与论文描述一致，输入尺寸需能被 16 整除（因 4 次下采样）。\n- 优化器：Adam，初始学习率 1e-4。\n- 损失函数：分割任务用 Dice + BCE，分类任务用交叉熵。\n- 数据增强：平移、旋转、缩放等常规策略，未使用预训练时的四种自监督变换。\n如需复现，建议先对齐数据划分与评估指标，再逐步调整超参数。",[]]