К содержимому
Другое

1⃣ 3D Brain Tumor Segmentation

3D-сегментация опухолей мозга в ONNX

2 мин чтенияобновлено

Набор из трёх трёхмерных нейросетей от автора MohammadSakibHossain, которые выделяют границы опухоли головного мозга по четырём снимкам МРТ (FLAIR, T1, T1 с контрастом и T2). На выходе модель строит 3D-маску с тремя вложенными областями: вся опухоль с отёком (WT), ядро опухоли (TC) и активная растущая часть (ET). Все три архитектуры — SegResNet (4,7M параметров), Swin UNETR (62,2M) и лёгкий трансформер SegFormer3D (4,5M) — экспортированы в формат ONNX для быстрого запуска на обычном процессоре (CPU). Репозиторий пригодится исследователям и разработчикам медицинских сервисов для экспериментов с 3D-визуализацией и пайплайнами анализа МРТ.

Ключевые особенности

  • Три модели под разные задачи: компактная SegResNet (19 МБ) с лучшим балансом точности и скорости, тяжёлая Swin UNETR (249 МБ) и сверхбыстрая SegFormer3D (18 МБ).
  • Экспорт в ONNX (opset 18) с высокой точностью совпадения масок с оригиналом на PyTorch (Dice 0.983–0.998) и без необходимости в видеокарте.
  • Готовые тестовые данные в комплекте: 4 набора сканов с разметкой экспертов (samples/) и 6 кейсов в виде 3D-мешей glTF для веб-просмотрщика (cases/).
  • Подробные метаданные из MLflow с конфигурацией обучения, контрольными суммами и замерами скорости на 2 и 8 потоках CPU.

Что можно сделать

  • Протестировать сегментацию на приложенных снимках МРТ (например, BRATS_075.nii.gz) прямо на CPU с помощью onnxruntime и библиотеки monai.
  • Развернуть локальное веб-приложение с загрузчиком снимков и 3D-просмотрщиком через Docker из связанного GitHub-репозитория.
  • Сравнить скорость и качество свёрточной архитектуры (SegResNet) и 3D-трансформеров на собственных предобработанных данных.

Пример

import onnxruntime as ort
from huggingface_hub import hf_hub_download

repo = "MohammadSakibHossain/brain-tumor-segmentation-mlops"
session = ort.InferenceSession(hf_hub_download(repo, "models/segresnet.onnx"))
# На вход подаётся окно [1, 4, 160, 160, 160] (FLAIR, T1, T1c, T2)
logits = session.run(None, {"scans": window_np})[0]
Подробнее Метрики на тесте (72 снимка, Mean Dice): SegResNet — 0.835 (7.1 с / 3.0 с на CPU при 2/8 потоках), Swin UNETR — 0.835 (31.3 с / 14.2 с), SegFormer3D — 0.813 (1.4 с / 0.8 с).
Обучение: датасет Medical Segmentation Decathlon Task01 BrainTumour (484 снимка BraTS 2016/2017), 30 000 шагов на одной NVIDIA RTX A6000.
Ограничения: только для исследований и обучения (не медицинское изделие); входные МРТ должны быть очищены от черепа (skull-stripped) и приведены к разрешению ~1 мм.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.2 GB · готовые файлы0.8 GB
  • FP8 / INT8рекомендуемвеса 0.1 GB0.6 GB
  • 4-bitвеса 0.1 GB0.6 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 · BF16 — 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.

    # MohammadSakibHossain/brain-tumor-segmentation-mlops
    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 MohammadSakibHossain/brain-tumor-segmentation-mlops --local-dir ~/models/brain-tumor-segmentation-mlops
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к brain-tumor-segmentation-mlops
  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 brain-tumor-segmentation-mlops — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

MohammadSakibHossain/brain-tumor-segmentation-mlops
Автор
MohammadSakibHossain
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии