Skip to content
Other

MM-PET-AI

единая модель сегментации очагов на ПЭТ/КТ

2 min readupdated

Модель выполняет автоматическую сегментацию (выделение контуров) патологических очагов по всему телу на снимках ПЭТ/КТ сразу для трёх радиофармпрепаратов: ¹⁸F-FDG, ¹⁸F/⁶⁸Ga-PSMA и ⁶⁸Ga-DOTATATE. На вход подаётся пара файлов в формате NIfTI (ПЭТ в единицах SUV и КТ в HU), а на выходе получается бинарная маска очагов, вероятность их наличия на снимке, статистика и вспомогательное предсказание типа препарата. В основе лежат асимметричные энкодеры ViT-Base для ПЭТ и ViT-Small для КТ, свёрточная ветка для сохранения мелких деталей и общий декодер UNETR (архитектура для 3D-сегментации медицинских изображений). В отличие от узкоспециализированных решений, система работает без предварительного указания метки радиофармпрепарата или масок органов. Инструмент предназначен для исследователей в области медицинской визуализации и онкологии (только для научных целей, не является медицинским изделием).

Ключевые особенности

  • Двусторонний обмен контекстом между энкодерами ViT-Base (ПЭТ) и ViT-Small (КТ) на четырёх уровнях глубины плюс локальная свёрточная ветка для мелких деталей.
  • Не требует указывать тип радиофармпрепарата или загружать маски органов при запуске.
  • Готовый CLI-интерфейс и Python-пакет mmpetai с автоматической загрузкой и кэшированием весов.
  • Обучена на 2 814 публичных и клинических ПЭТ/КТ-исследованиях по 14 протоколам, охватывающих разные типы опухолей.

Что можно сделать

  • Автоматизировать разметку очагов и сбор статистики по ним в научных исследованиях по онкологии (опухоли головы и шеи, рак простаты, нейроэндокринные опухоли и др.).
  • Проводить пакетную обработку директорий со снимками в формате NIfTI через утилиту командной строки mmpetai.
  • Использовать в качестве базового решения для сравнения алгоритмов сегментации на мультитрейсерных наборах данных ПЭТ/КТ.

Пример

from mmpetai import MMPETAI

model = MMPETAI.from_pretrained("zhanghaoyue/MM-PET-AI")
result = model.predict("pet.nii.gz", "ct.nii.gz")
result.save("lesions.nii.gz")
print(result.lesion_summary)
ПодробнееПараметры: ~0.2B (ViT-Base + ViT-Small + UNETR).
Препроцессинг и инференс: изотропный ресемплинг 3 мм, скользящее окно 192³ с перекрытием 33%, порог 0.5.
Ограничения: только для исследовательских целей; предсказание типа трейсера не переносится на внешнюю выборку DEEP-PSMA, оценка на DOTATATE ограничена 28 внутренними тестами, снижена точность на мелких очагах с низким накоплением.
Discuss Telegram 0 19

Will it run?

Runs in F32

Fits without quantisation.

  • F32weights 0.7 GB · ready files1.3 GB
  • BF16weights 0.4 GB0.9 GB
  • FP8 / INT8recommendedweights 0.2 GB0.7 GB
  • 4-bitweights 0.1 GB0.6 GB

Tip: go 8-bit.FP8 / INT8 is within about a percent of full precision in quality, takes half the memory and runs faster on RTX 40/50 and H100. Full precision only pays off for fine-tuning.

What to get for this model

Massed ComputeOpen Massed Compute

Your own GPU: FP8 / INT8 — from RTX 2060 · F32 — from RTX 2060

Massed Compute hourly prices, November 2026. The discounted price applies with the coupon at checkout.

Estimate: weights plus working memory. Long videos, high resolutions and long contexts need more.

Run it on Massed Compute

The script downloads the model to the rented machine. How to run it is in the model card.

  1. 1. Rent a machine with a fitting GPU

    Open Massed Compute
  2. 2. Paste the script into the machine's terminal

    Connect over SSH (the Massed Compute panel shows the command) or open a terminal on the machine's desktop.

    HF_TOKEN / CIVITAI_TOKENThe script starts with token lines: paste yours between the quotes. The Hugging Face token is for gated models, the Civitai one for Civitai models.

    # zhanghaoyue/MM-PET-AI
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download zhanghaoyue/MM-PET-AI --local-dir ~/models/MM-PET-AI
    # The model is in ~/models. How to run it is in the model card (link above).
    Add more LoRAs to MM-PET-AI
  3. 3. Use it

    The model is in ~/models. How to run it is in the model card (link above).

Stop the machine in the panel when you are done: it bills by the minute while it runs.

How to speed it up

Picked for this model type. Choose your hardware above to see what fits you exactly.

  • FlashAttention 44.0.0b40from November 18, 2026new release

    fastest exact attention on B200

    Kernels for Blackwell (beta). Exact attention without quantisation — fine for everything, LLMs included.

    How to enable: pip install flash-attn-4; vLLM and SGLang pick it up themselves.

    Earlier generations (2)
    • FlashAttention 3 — The Hopper (H100/H200) version with FP8.
    • FlashAttention 2 — The standard for RTX 30/40/50 and A100: exact attention without the memory cost of long contexts.
  • torch.compile2.15.0from October 28, 2026new release

    10–30% for free

    Compiles the model for your GPU. Slower first run, faster afterwards.

    How to enable: model = torch.compile(model); in ComfyUI the TorchCompileModel node.

Model family

New posts about versions of MM-PET-AI (quants, finetunes, LoRAs) will show up under the bell.

No known relatives of this model yet. All derivatives on Hugging Face

About the model

zhanghaoyue/MM-PET-AI
Author
zhanghaoyue
Category
Other
Released
Posted

On NeyroLearn

Hugging Face

190

Ask AI about this model

Answered by Gemini 4 · the chat is kept only in this tab

Comments