К содержимому
Другое

MM-PET-AI

единая модель сегментации очагов на ПЭТ/КТ

2 мин чтенияобновлено

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.
Обсудить Telegram 0 19

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 0.7 GB · готовые файлы1.3 GB
  • BF16веса 0.4 GB0.9 GB
  • FP8 / INT8рекомендуемвеса 0.2 GB0.7 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 · 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.

    # 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
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к MM-PET-AI
  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 MM-PET-AI — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

zhanghaoyue/MM-PET-AI
Автор
zhanghaoyue
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

190

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии