← 返回项目库
医疗人工智能研究计算机视觉医学影像开发者教育

DeepRadiology｜腕部 X 光异常筛查演示

基于 DenseNet 的腕部 X 光异常筛查演示，提供可本地运行的 Django 网页界面与仓库内模型权重。

项目支持上传一张或多张腕部影像，使用仓库内的 DenseNet-169 权重计算异常概率并展示结果。交付包包含必要源码、模型权重和内置示例影像；它面向技术研究与流程演示，不是医疗诊断服务。

真实界面

项目截图

共 6 张

深度放射学
示例影像已就绪
未提交影像
预测结果
技术详情
重要提示

Capabilities

核心功能

✓Django 本地网页界面
✓腕部 X 光影像上传
✓一张或多张影像批量推理
✓DenseNet-169 异常概率输出
✓仓库内模型权重离线加载
✓内置示例影像与结果展示

适用场景

医疗影像模型本地推理流程研究
计算机视觉与 DenseNet 教学演示
医学人工智能原型验证

适合谁

医疗人工智能研究人员、计算机视觉开发者、医学影像工程师和需要研究本地推理流程的技术团队。

商业化思路

适合作为医疗影像 AI 原型、内部技术培训和本地推理流程研究的源码基础；不能直接作为临床诊断产品或医疗建议服务。

你会拿到什么

  • ✓固定版本中文化源码包
  • ✓MIT License 与版权说明
  • ✓DenseNet 模型代码与仓库内权重
  • ✓六张真实运行界面截图

部署流程

  1. 1解压 source.zip 并进入项目目录
  2. 2创建 Python 3.9+ 虚拟环境并安装 requirements.txt
  3. 3使用 python manage.py runserver 127.0.0.1:8000 --noreload 启动本地服务
  4. 4打开首页，选择腕部影像或直接分析内置示例

真实验证结果

已通过 6 个真实运行中文界面、HTTP、可见正文、控制台、坏图和横向溢出质量门。

部署前须知

当前权重面向腕部研究影像；结果仅供技术研究和流程演示，不能替代医生诊断。原项目历史指标不构成当前部署或临床效果保证。

部署难度

中等

最低配置

Python 3.9+、可安装 PyTorch 2.2.2 与 torchvision 0.17.2 的 CPU 环境；无需独立模型服务。

开源许可证

MIT License

最后验证

2026-08-28

技术栈

PythonDjangoPyTorchtorchvisionPillowDenseNet

授权说明

源码包保留仓库内 MIT License、版权与署名信息。模型权重、数据集及医疗软件使用仍需使用者依据各自权利和合规要求另行核验。

Release notes

版本记录

1 个已发布版本

vcn-a252360504f6 当前推荐

完成 Python 现代运行时兼容、Django 4.2 适配、旧模型权重键兼容、中文化界面和真实本地推理验证。

部署要求：Python 3.9+；Django 4.2.16；PyTorch 2.2.2；torchvision 0.17.2；Pillow 10.4.0；NumPy 1.x。

已知问题：仅验证 CPU 本地运行；医疗场景使用前仍需独立完成模型、数据、隐私和合规审查。

登录后领取