Характеристики

Лицензия: MIT
Библиотека: nnunetv2
Опубликована: 7 сен 2026

Ссылки

Hugging Face

BoneAGUNet

YousifKhoury

Сегментация изображенийИзображение → mask

Набор весов и атласов BoneAGUNet для сегментации медицинских изображений HR-pQCT с использованием nnU-Net v2.

0скачиваний за 30 дней0лайковвеса обновлены7 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

YousifKhoury/BoneAGUNet — набор весов модели и атласов для пакета ManskeLab/BoneAGUNet, предназначенный для сегментации медицинских изображений. Репозиторий использует nnU-Net v2 и формат PyTorch; метаданные указывают задачу image-segmentation и применение к HR-pQCT.

Модель предназначена для анализа изображений костной ткани, включая исследовательские и медицинские сценарии сегментации. Репозиторий распространяется по лицензии MIT. В карточке не приведены сведения о точных классах сегментации и проверке клинической пригодности.

Сценарии применения

сегментация костных структур на изображениях HR-pQCT
анализ медицинских изображений костной ткани
подготовка масок сегментации для исследований костной эрозии

Ограничения

Карточка не уточняет классы сегментации и клиническую валидацию; пригодность результатов для диагностики по этим данным оценить нельзя.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

BoneAGUNet inference assets

Model checkpoints and atlases used by the ManskeLab/BoneAGUNet Python package.

The supported inputs are already-cropped MCP2 or MCP3 joint image stacks. This repository contains four nnU-Net inference bundles (joint stripping, cortical edge, closed-edge/bone mask, and erosion segmentation) plus MC and PP atlases for MCP2 and MCP3.

The attention models require the Manske Lab multichannel-attention nnU-Net fork. Use the Python package's boneagunet-install command rather than downloading individual checkpoint files; nnU-Net requires the adjacent dataset.json and plans.json metadata.

These models are intended for research use and are not a medical device.

Как запустить

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

GPU в ailist

Универсальный рантайм · nnunetv2 · image-segmentation

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов: dea4afe