README.md

---

license: apache-2.0
tags:
- medical
- segmentation
- monai
- 3d-unet
- pytorch
pipeline_tag: image-segmentation
---


# 3D U-Net для медицинской сегментации

Эта модель представляет собой 3D U-Net, обученную на медицинских данных для задач сегментации.

## Архитектура модели

- **Тип**: 3D U-Net (MONAI)
- **Входные каналы**: 1
- **Выходные каналы**: 2 (фон + целевой класс)
- **Каналы**: (16, 32, 64, 128, 256, 512)
- **Размер патча**: 256x256x256
- **Функция потерь**: Dice Loss

## Использование

```python

import os

import torch

from monai.networks.nets import UNet

from huggingface_hub import hf_hub_download



# Отключение предупреждения о symlinks на Windows

os.environ['HF_HUB_DISABLE_SYMLINKS_WARNING'] = '1'



# Загрузка модели

model = UNet(

    spatial_dims=3, 

    in_channels=1, 

    out_channels=2,

    channels=(16, 32, 64, 128, 256, 512), 

    strides=(2, 2, 2, 2, 2, 2),

    num_res_units=2, 

    dropout=0.2

)



# Загрузка весов безопасно (исправляет FutureWarning)

model_path = hf_hub_download(repo_id="Nikitapyscript/MRISegment_model", filename="best_metric_model.pth")

model.load_state_dict(torch.load(model_path, map_location='cpu', weights_only=True))

model.eval()

```

## Предобработка данных

Модель ожидает входные данные в следующем формате:
- Нормализация интенсивности: [-1000, 4000] -> [0, 1]
- Размер входа: (1, 256, 256, 256)
- Тип данных: torch.float32

## Обучение

Модель была обучена с использованием:
- Оптимизатор: Adam (lr=1e-4, weight_decay=1e-5)

- Scheduler: ReduceLROnPlateau

- Аугментации: случайные отражения, повороты, изменения интенсивности

- Метрика: Dice Score



## Требования



```

torch

monai

numpy

```