brats2020-3d-unet
компактная нейросеть для сегментации опухолей мозга на МРТ
2 мин чтенияобновлено
Модель анализирует трёхмерные МРТ-снимки головного мозга (четыре совмещённых режима: FLAIR, T1, T1ce и T2) и размечает на них области глиомы — всего выделяется 4 класса: фон, некротическое ядро, отёк и контрастируемая опухоль. Под капотом компактная архитектура 3D U-Net на базе фреймворка MONAI и PyTorch всего на 4,8 млн параметров, обученная на датасете BraTS2020 автором Victory Olagboye. В отличие от тяжёлых ансамблей победителей соревнований, это лёгкий одиночный чекпоинт, который можно быстро запустить через скользящее окно на обычной видеокарте. Пригодится исследователям и разработчикам в сфере медицинского компьютерного зрения для экспериментов с 3D-сегментацией.
Ключевые особенности
- Лёгкая архитектура: 3D U-Net (MONAI) на ~4,8 млн параметров с 4 входными каналами и 4 классами на выходе.
- Инференс скользящим окном: обрабатывает объёмы патчами 96×96×96 вокселей с перекрытием 25% после z-нормализации ненулевых вокселей.
- Разбивка по степеням злокачественности: лучше справляется с глиомами высокой степени (HGG: Whole Tumor Dice 0.875), чем низкой (LGG: Whole Tumor Dice 0.840).
- Только для исследований: модель не является медицинским изделием и не валидирована для диагностики или планирования лечения.
Что можно сделать
- Исследовать 3D-сегментацию МРТ: использовать веса
best_model.pthкак готовый бейзлайн для экспериментов на датасете BraTS2020. - Встроить в пайплайн на MONAI: подавать на вход нормализованные NIfTI-массивы четырёх модальностей (FLAIR, T1, T1ce, T2) и получать повоксельную маску классов 0–3.
Пример
path = hf_hub_download("Victory1199/brats2020-3d-unet", "best_model.pth")
model = UNet(spatial_dims=3, in_channels=4, out_channels=4,
channels=(16, 32, 64, 128, 256), strides=(2, 2, 2, 2), num_res_units=2)
model.load_state_dict(torch.load(path, map_location="cpu"))
model.eval()
with torch.no_grad():
logits = sliding_window_inference(x, (96, 96, 96), 2, model, overlap=0.25)
mask = logits.argmax(1)[0].numpy()Подробнее
Метрики на тесте (56 пациентов): Mean Dice — 0.868 (Whole Tumor), 0.784 (Tumor Core), 0.790 (Enhancing Tumor), медиана WT Dice — 0.897.Обучение: 369 пациентов BraTS2020 (258 train / 55 val / 56 test), лосс Dice + cross-entropy, AdamW, fp16, около 1 часа на GPU Kaggle T4.
Железо: на CPU обработка полного объёма работает медленно, рекомендуется GPU.
Ограничения: слабее работает на глиомах низкой степени (TC Dice 0.582, ET Dice 0.529), склонна к избыточной сегментации на сложных случаях и не проверялась на сканах с других томографов.










Комментарии