Характеристики

Лицензия: CC BY 4.0
Библиотека: onnx
Опубликована: 23 сен 2026

Ссылки

Hugging Face

tamias-zenodo-liver-models

Aralario

Сегментация изображенийИзображение → mask

Набор ONNX-моделей для сегментации печени, очагов и других структур на КТ в исследовательских пайплайнах.

0скачиваний за 30 дней0лайковвеса обновлены23 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Репозиторий Aralario содержит ONNX-экспорты моделей сегментации печени и других анатомических структур по данным КТ, перенесённые из весов, опубликованных на Zenodo. В набор входят модели LightningMedSeg3D, обученные на BTCV, и модель nnU-Net v2 для датасета Dataset006_Liver с разметкой печени и очагов по LiTS 2017. Архитектуры включают Attention U-Net, MedFormer и ResUNet; экспорты выполнены в ONNX opset 17, FP32, с фиксированным размером патча.

Модели принимают тензор КТ float32 формы [1,1,Z,Y,X] после приведения к ориентации RAS и указанному в манифесте шагу дискретизации. Результат — тензор логитов по классам сегментации. Для моделей LightningMedSeg3D применяется оконная нормализация КТ, а для nnU-Net нормализация встроена в граф. Набор предназначен для исследовательской обработки медицинских изображений, проверки и интеграции ONNX-моделей в пайплайны сегментации. Лицензии весов — CC-BY-4.0; код архитектуры LightningMedSeg3D распространяется по AGPL-3.0-or-later, nnU-Net — по Apache-2.0.

README прямо ограничивает применение исследовательскими целями и указывает, что модели не являются медицинским устройством и не предназначены для принятия клинических решений. Экспорты проверялись на паритет с эталонными пайплайнами на случайном патче и синтетическом КТ-фантоме; это не подтверждает клиническую точность на реальных пациентах.

Сценарии применения

сегментация печени на КТ
выделение очагов печени на КТ с моделью nnU-Net
сегментация анатомических структур на КТ для исследований
интеграция модели сегментации КТ в ONNX-пайплайн

Ограничения

Модели предназначены только для исследовательского применения, не являются медицинским устройством и не должны использоваться для клинических решений. Проверка паритета на случайных данных и синтетическом фантоме не устанавливает точность на клинических данных.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

TAMIAS mirror of the Zenodo liver-segmentation models (ONNX)

ONNX exports (opset 17, fp32, fixed patch) and TAMIAS manifests converted from:

LightningMedSeg3D trained weights: 10.5281/zenodo.21037952. The weights are CC-BY-4.0, see LICENSE-zenodo-21037952. The architecture code, LightningMedSeg3D, is AGPL-3.0-or-later.
nnU-Net v2 Dataset006_Liver (liver + lesion, LiTS 2017, from BAMF Health): 10.5281/zenodo.11582728. CC-BY-4.0. nnU-Net is Apache-2.0.

Conversion code: scripts/zenodo/ in ArioMoniri/semikap. The GitHub release is zenodo-models-v1. zenodo-models-index.json (schema tamias.model-index.v1) lists every file with its sha256, labels, parity and licence.

Input contract

Input tensor: float32 [1,1,Z,Y,X] after reorienting to manifest.orientation (RAS) and resampling to manifest.spacing.
Output tensor: logits [1,C,Z,Y,X].
LightningMedSeg3D models: the manifest applies a window normalisation (level 37.5, width 425 HU).
nnU-Net model: CTNormalization is baked into the graph, so the manifest uses none.

Parity check: PyTorch runs the reference pipeline and onnxruntime runs the TAMIAS pipeline. Both run on a random-HU patch and a synthetic CT phantom.

id	trained on	classes	patch (x,y,z)	spacing mm	normalization	ONNX MB	parity max abs diff / argmax agreement	status
`lms3d_attention_unet`	BTCV	14	[96, 96, 96]	[1.5, 1.5, 2.0]	window	162.7	2.15e-02 / 1.0000	ok
`lms3d_medformer`	BTCV	14	[96, 96, 96]	[1.5, 1.5, 2.0]	window	155.2	3.60e-02 / 1.0000	ok
`lms3d_resunet`	BTCV	14	[96, 96, 96]	[1.5, 1.5, 2.0]	window	162.3	6.82e-03 / 1.0000	ok
`lms3d_segformer`	BTCV	14	[96, 96, 96]	[1.5, 1.5, 2.0]	window	18.1	3.24e-05 / 1.0000	ok
`lms3d_swin_unetr`	BTCV	14	[96, 96, 96]	[1.5, 1.5, 2.0]	window	143.4	5.06e-03 / 1.0000	ok
`lms3d_unet`	BTCV	14	[96, 96, 96]	[1.5, 1.5, 2.0]	window	65.1	6.02e-03 / 1.0000	ok
`lms3d_unetpp`	BTCV	14	[96, 96, 96]	[1.5, 1.5, 2.0]	window	17.9	5.66e-02 / 1.0000	ok
`lms3d_unetr`	BTCV	14	[96, 96, 96]	[1.5, 1.5, 2.0]	window	371.3	5.90e-03 / 1.0000	ok
`lms3d_vnet`	BTCV	14	[96, 96, 96]	[1.5, 1.5, 2.0]	window	182.6	1.82e-02 / 1.0000	ok
`nnunet_liver_lits`	LiTS 2017	10	[128, 128, 128]	[0.767578125, 0.767578125, 1.0]	zscore_volume	124.8	1.47e-02 / 1.0000	ok
`nnunet_liver_lits_f1`	LiTS 2017	10	[128, 128, 128]	[0.767578125, 0.767578125, 1.0]	zscore_volume	124.8	5.94e-03 / 1.0000	ok
`nnunet_liver_lits_f2`	LiTS 2017	10	[128, 128, 128]	[0.767578125, 0.767578125, 1.0]	zscore_volume	124.8	5.24e-03 / 1.0000	ok
`nnunet_liver_lits_f3`	LiTS 2017	10	[128, 128, 128]	[0.767578125, 0.767578125, 1.0]	zscore_volume	124.8	1.22e-02 / 1.0000	ok
`nnunet_liver_lits_f4`	LiTS 2017	10	[128, 128, 128]	[0.767578125, 0.767578125, 1.0]	zscore_volume	124.8	2.14e-03 / 1.0000	ok

Research use only. Not a medical device. Do not use for clinical decisions.

Citation

@dataset{fdezgonzalez_lightningmedseg3d_weights_2026,
  author    = {Fdez-Gonz{\'a}lez, Marcos and Nodar-Corral, Lois and Fdez-Vidal, Xose R. and
               Est{\'e}vez-Fern{\'a}ndez, Sergio and Comesa{\~n}a, Enrique},
  title     = {Trained Weights of Nine 3D Medical Image Segmentation Networks on {BTCV} and
               {MSD} {Task03} ({Liver}) --- {LightningMedSeg3D}},
  year      = {2026}, publisher = {Zenodo}, doi = {10.5281/zenodo.21037952}
}
@software{lightningmedseg3d,
  author = {Fdez-Gonz{\'a}lez, Marcos and Removirt},
  title  = {{LightningMedSeg3D}: A {PyTorch} {Lightning} framework for 3D medical image segmentation},
  url    = {https://github.com/Removirt/LightningMedSeg3D}
}
@software{murugesan_liver_nnunet_2024,
  author    = {Murugesan, Gowtham Krishnan and Van Oss, Jeff and McCrumb, Diana},
  title     = {Pretrained model for 3D semantic image segmentation of the liver and liver lesions from ct scan},
  year      = {2024}, publisher = {Zenodo}, doi = {10.5281/zenodo.11582728}
}
@article{isensee2021nnunet,
  author  = {Isensee, F. and Jaeger, P. F. and Kohl, S. A. and Petersen, J. and Maier-Hein, K. H.},
  title   = {nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation},
  journal = {Nature Methods}, volume = {18}, number = {2}, pages = {203--211}, year = {2021}
}
@article{bilic2023lits,
  author  = {Bilic, P. and Christ, P. and Li, H. B. and others},
  title   = {The Liver Tumor Segmentation Benchmark ({LiTS})},
  journal = {Medical Image Analysis}, volume = {84}, pages = {102680}, year = {2023}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · onnx

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Ревизия весов: 598a7a5