Характеристики

Лицензия: MIT
Библиотека: nnunetv2
Опубликована: 13 сен 2026

Ссылки

cardiac-segmentation-diagnosis

Сегментация изображенийИзображение → mask

Конвейер на основе 3D nnU-Net сегментирует структуры сердца на cine-МРТ, рассчитывает биомаркеры и классифицирует пять категорий сердечной патологии.

0скачиваний за 30 дней1лайквеса обновлены13 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

Модель akifkaradag/cardiac-segmentation-diagnosis — медицинский конвейер для анализа короткоосевых cine-МРТ сердца. В нём используются 3D nnU-Net v2 с конфигурацией 3d_fullres для сегментации и классификатор Random Forest для определения диагноза; модель выделяет полости правого и левого желудочков и миокард левого желудочка.

По полученным маскам конвейер рассчитывает объёмы желудочков в диастолу и систолу, фракцию выброса и массу миокарда, а затем относит исследование к одному из пяти классов ACDC: нормальная функция, перенесённый инфаркт миокарда, дилатационная или гипертрофическая кардиомиопатия либо патология правого желудочка. В README приведены результаты оценки на данных ACDC, включая Dice для сегментации и точность классификации; это результаты конкретного описанного эксперимента, а не гарантия качества на других данных.

Модель предназначена для исследовательского и клинического анализа кардиологических МРТ-снимков и работает с медицинскими изображениями, выдавая маски, количественные показатели и диагностические метки. Репозиторий распространяется по лицензии MIT. В описании не приведены сведения о внешней клинической валидации или переносимости на данные за пределами ACDC, поэтому диагностические выводы следует интерпретировать с учётом этих ограничений.

Сценарии применения

сегментация желудочков и миокарда на cine-МРТ сердца
расчёт фракции выброса левого и правого желудочков
измерение конечных диастолических и систолических объёмов желудочков
оценка массы миокарда по МРТ
классификация исследований по пяти категориям ACDC

Ограничения

Оценка описана на наборе ACDC, поэтому качество и переносимость на другие протоколы, сканеры и популяции не установлены. Приведённые метрики не заменяют клиническую валидацию и врачебную оценку.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Cardiac Segmentation & Heart Disease Diagnosis (ACDC 3D nnU-Net)

An end-to-end medical AI pipeline for automated 3D cardiac segmentation, clinical biomarker derivation (Ejection Fraction, Ventricular Volumes, Myocardial Mass), and 5-class cardiac disease diagnosis from short-axis cine cardiac MRI scans.

GitHub Repository: Makifkaradag/cardiac-segmentation-diagnosis
Framework: nnU-Net v2 (3d_fullres) & Random Forest Classifier
Benchmark Dataset: Automated Cardiac Diagnosis Challenge (ACDC, MICCAI)

Model Summary

Task 1 (Segmentation): Full 3D segmentation of three cardiac structures:
- Label 1: Right Ventricle Cavity (RV)
- Label 2: Left Ventricle Myocardium (MYO)
- Label 3: Left Ventricle Cavity (LV)
Task 2 (Clinical Biomarker Extraction): Automatically derives Left/Right Ventricular End-Diastolic Volume (EDV), End-Systolic Volume (ESV), Ejection Fraction (EF %), and Myocardial Mass (g).
Task 3 (Diagnosis Classification): 5-class pathology classification:
- NOR: Normal cardiac function
- MINF: Previous Myocardial Infarction
- DCM: Dilated Cardiomyopathy
- HCM: Hypertrophic Cardiomyopathy
- RV: Abnormal Right Ventricle

Benchmark Performance & Evaluation

Evaluated on 100 ACDC training patients (5-fold cross-validation) and 50 holdout cases.

1. 3D Segmentation Quality (Holdout Set)

Anatomical Structure	Target Region	Mean Dice Score
Left Ventricle (LV)	Blood cavity	0.945
Right Ventricle (RV)	Crescent blood cavity	0.911
Myocardium (MYO)	Left ventricular wall	0.900

2. Clinical Biomarker Agreement (Ground Truth vs. Predictions)

Clinical Metric	Mean Absolute Error (MAE)	Pearson Correlation (r)
LV Ejection Fraction (%)	2.31	0.990
RV Ejection Fraction (%)	5.17	0.889
Myocardial Mass (g)	7.46	0.982

3. Diagnosis Classification (5-Fold Stratified Cross-Validation)

Overall Accuracy: 0.880 (88.0%)

Disease Class	Precision	Recall	F1-Score	Support
DCM	0.95	0.95	0.95	20
HCM	1.00	0.80	0.89	20
MINF	0.90	0.95	0.93	20
NOR	0.72	0.90	0.80	20
RV	0.89	0.80	0.84	20

End-to-End Holdout Accuracy: 0.860 (86.0%) evaluated purely on predicted masks without human ground truth.

How to Download and Use from Hugging Face

1. Download Model Weights via Python

from huggingface_hub import snapshot_download

# Download model repository
model_path = snapshot_download(repo_id="Makifkaradag/cardiac-segmentation-diagnosis")
print("Model files downloaded to:", model_path)

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: a505006