К содержимому
Другое

MuscleMap v1.4 for MLX

сегментация мышц и костей на МРТ и КТ для Mac

2 мин чтенияобновлено

Модель автоматически размечает 113 мышечных и костных структур на трёхмерных медицинских снимках форматов NIfTI (МРТ и КТ). Это конвертация весов проекта MuscleMap v1.4 под фреймворк MLX и графический движок Metal для локального запуска на чипах Apple Silicon. В основе лежит компактная архитектура 2D MONAI UNet (нейросеть для сегментации изображений) с 1 входным и 114 выходными каналами. Инструмент пригодится исследователям и разработчикам медицинских сервисов на macOS, позволяя обходиться без PyTorch и видеокарт NVIDIA.

Ключевые особенности

  • Размечает 113 анатомических структур с сохранением оригинальных ID, названий, сторон и областей тела в labels.json.
  • Работает нативно на Apple Silicon через MLX и Metal, не требуя громоздких зависимостей.
  • Точная конвертация всех 46 тензоров в формате float32 без дообучения и квантования.
  • Восстанавливает логиты до исходной сетки снимка и оставляет крупнейший связный компонент для каждой метки.

Что можно сделать

  • Автоматизировать разметку мышечных и костных тканей на 3D-снимках МРТ и КТ в медицинских исследованиях.
  • Интегрировать быстрый локальный анализ NIfTI-файлов в софт и пайплайны под macOS на базе Apple Silicon.
  • Проводить количественную оценку мышц всего тела (Whole-Body Quantitative MRI) без отправки данных в облако.

Пример

musclemap-mlx segment --input scan.nii.gz --model-dir /path/to/this/bundle --output-dir out
Подробнее Параметры: ~0.03B (46 тензоров в float32), архитектура 2D MONAI UNet.
Верификация: на тестовых объёмах TotalSegmentator CT (122x101x30) и MRI (117x91x20) финальные воксели полностью совпали с эталоном на PyTorch 2.4.1 / MONAI 1.3.2 (макс. ошибка логитов 9.92e-5 и 1.03e-4).
Ограничения: при сравнении результатов важно использовать одинаковый размер чанков, так как он влияет на нормализацию.
Лицензия: MIT.
Обсудить Telegram 0 52

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 0.1 GB · готовые файлы0.6 GB
  • BF16веса 0.0 GB0.6 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · F32 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # MedMLX/musclemap-mlx
    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 MedMLX/musclemap-mlx --local-dir ~/models/musclemap-mlx
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к musclemap-mlx
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии musclemap-mlx — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

MedMLX/musclemap-mlx
Автор
MedMLX
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

520

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии