MarkTechPost · 12.06.2026 ·Машинное обучение

Реализация 3D-сегментации селезёнки на основе MONAI и UNet

Реализация 3D-сегментации селезёнки на основе MONAI и UNet

В новом туториале представлена пошаговая реализация конвейера для 3D-сегментации медицинских изображений с использованием фреймворка MONAI. Цель — сегментация селезёнки на основе набора данных Medical Segmentation Decathlon Task09, включающего томографические сканы.

Разработчики применяют ключевые преобразования медицинских изображений: выравнивание ориентации, нормализацию пространственного разрешения, оконное выделение интенсивности и обрезку фона. Для обучения модели используется архитектура 3D UNet, которая позволяет эффективно обрабатывать объёмные данные.

Процесс включает также патч-базированное сэмплирование, что позволяет работать с большими объёмами данных, разбивая их на управляемые фрагменты. В результате получается готовый конвейер для автоматизированной сегментации селезёнки, что может быть полезно в клинической практике и медицинских исследованиях.

MONAI, как специализированный фреймворк для медицинского машинного обучения, предоставляет инструменты для работы с медицинскими изображениями, что делает его подходящим для подобных задач. Данный туториал может быть полезен разработчикам, работающим в области медицинской визуализации и автоматизированной диагностики.

Источник: MarkTechPost

Похожие материалы

arXiv · Машинное обучение SegDINO: новый метод улучшения сегментации медицинских изображений Исследователи предложили новый подход SegDINO для повышения эффективности сегментации медицинских изображений. Он основан на модели DINO, которая уже известна своими мощными визуальными представлениями, но её применение для сегментации оставалось сложным. arXiv · Машинное обучение Новый метод улучшает сегментацию медицинских изображений без меток Исследователи предложили новый подход к сегментации медицинских изображений в условиях нехватки аннотированных данных. В статье на arXiv представлен метод, который использует цепочки рассуждений (Chain of Thought, CoT) для улучшения семисупервизорного обучения. arXiv · Память и RAG Использование Segment Anything Model для интерпретации сейсмических данных Исследователи изучили применение Segment Anything Model (SAM) для интерпретации сейсмических данных, что может быть полезно для разработки ИИ-агентов, работающих с визуальной информацией. SAM, разработанный Meta, демонстрирует мощные возможности сегментации изображений на основе подсказок, что делает его перспективным инструментом для анализа сложных данных. arXiv · Инференс и железо ActiveSAM ускоряет сегментацию изображений для ИИ-агентов Исследователи из Meta представили ActiveSAM — метод, который оптимизирует работу Segment Anything Model 3 (SAM 3) для сегментации изображений в задачах с открытым словарём (OVSS). Основная проблема SAM 3 заключается в неэффективности: модель обрабатывает все классы из словаря, хотя в каждом изображении присутствует лишь небольшая их часть. arXiv · Машинное обучение Новый метод улучшает восстановление 3D МРТ-изображений Исследователи предложили новый подход к восстановлению 3D МРТ-изображений, который сначала восстанавливает семантику, а затем генерирует изображения. Это позволяет значительно улучшить качество синтеза при работе с многоконтрастной магнитно-резонансной томографией (МРТ). Google DeepMind News · Исследования и наука Исследование DeepMind: AI-клиницианты и будущее медицины DeepMind представил исследование о внедрении ИИ в медицинскую практику. Команда разрабатывает концепцию AI-клиницианта — виртуального помощника, который будет работать в тандеме с врачами. Основная цель — повысить эффективность диагностики и лечения, снижая нагрузку на медицинских специалистов. GitHub · Обучение и дообучение Tencent представил фреймворк UniRL для обучения мультимодальных моделей Компания Tencent выпустила фреймворк UniRL, предназначенный для обучения мультимодальных моделей с использованием подкрепляющего обучения (Reinforcement Learning). Этот инструмент позволяет интегрировать различные типы данных, включая текст, изображения и видео, в единый процесс обучения. Это особенно важно для разработки ИИ-агентов, которые должны эффективно обрабатывать и анализировать разнообразные данные. MarkTechPost · Разработка и инструменты FineWeb: инструменты для работы с большими веб-корпусами FineWeb — это крупный набор данных, содержащий веб-страницы, которые могут быть полезны для обучения и работы ИИ-агентов. В новом туториале подробно разбирается, как эффективно обрабатывать этот массив данных без необходимости скачивать его целиком. Это особенно важно для задач, связанных с RAG (Retrieval-Augmented Generation), где качество и актуальность данных играют ключевую роль. arXiv · Исследования и наука Новый метод для реалистичного 3D ре-эйджа лиц Исследователи представили новый фреймворк ReAge3D для реалистичного и контролируемого изменения возраста 3D-моделей лиц. Технология сохраняет детали и идентичность лица, что делает её подходящей для применения в медицине, кино и других областях. NVIDIA Technical Blog · Модели и релизы Как NVIDIA ускорила обучение MoE-моделей на 30% NVIDIA представила новые методы оптимизации обучения Mixture-of-Experts (MoE) моделей, которые стали ключевым компонентом современных ИИ-систем. Исследователи компании разработали продвинутые ядра слияния (fusion kernels), которые позволяют значительно ускорить процесс обучения.

← Все материалы