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
```