/ Модель
Каталог

Характеристики

Лицензия
CC BY 4.0
Библиотека
zea
Опубликована
10 сен 2026

Ссылки

Hugging FacearXiv 1811.07875arXiv 2505.12261

openpros-inversion-net

zeahub
Преобразование изображенийИзображение, текст → изображение

Предварительно обученная InversionNet восстанавливает карту скорости звука из симулированных ультразвуковых волновых данных в бенчмарке USCT простаты OpenPros.

38скачиваний за 30 дней0лайковвеса обновлены10 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

InversionNet — это порт на Keras 3 предварительно обученной модели, опубликованной как базовый метод для бенчмарка OpenPros по ограниченно-ракурсной ультразвуковой компьютерной томографии простаты. Архитектура InversionNet предложена авторами исходной модели; конвертированные веса распространяются проектом OpenH-RF через zea. Модель принимает симулированные многоканальные ультразвуковые волновые данные размером (B, 1000, 161, 40) и напрямую восстанавливает карту скорости звука размером (B, 401, 161, 1), без итерационного решателя. Выход нормирован в диапазон [-1, 1] и соответствует скоростям 1300–3600 м/с.

Модель предназначена для реконструкции распределения скорости звука в задачах USCT простаты. Перед подачей данных обязательны знаковое логарифмическое сжатие с коэффициентом k=1e5 и нормализация по диапазону OpenPros; неверное масштабирование ухудшает результат без явной ошибки. Порт поддерживает бэкенды JAX, TensorFlow и PyTorch и воспроизводит выход исходного чекпойнта PyTorch с расхождением порядка float32-округления. Лицензия — CC-BY-4.0; при использовании требуется атрибуция авторов InversionNet и OpenPros.

Сценарии применения

  • реконструкция карты скорости звука по данным ультразвуковой томографии простаты
  • обработка симулированных многоканальных волновых данных USCT
  • восстановление изображения без итерационного решения обратной задачи

Ограничения

Модель обучена для данных бенчмарка OpenPros и требует строго определённых логарифмического сжатия (k=1e5) и нормализации; иное масштабирование может незаметно ухудшить реконструкцию. Результаты описаны для симулированных данных, поэтому перенос на другие протоколы или реальные измерения не подтверждён карточкой.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

InversionNet — OpenPros speed-of-sound reconstruction

Keras 3 port of the pretrained InversionNet baseline released with the OpenPros limited-view prostate ultrasound computed tomography (USCT) benchmark. It reconstructs a speed-of-sound map directly from simulated multi-source waveform data, without an iterative solver.

Because it is a Keras 3 model, it runs on the JAX, TensorFlow and PyTorch backends. The weights are converted from the original PyTorch checkpoint (model.pth, also in this repo) and reproduce its output to within float32 round-off (max abs. difference ~4e-5).

Usage

from zea.models.inversionnet import InversionNet

model = InversionNet.from_preset("inversionnet-openpros")
sos = model(waveforms)  # (B, 1000, 161, 40) -> (B, 401, 161, 1), in [-1, 1]

Inputs are waveforms of shape (batch, 1000 time samples, 161 receivers, 40 source/receiver combinations).

Preprocessing (required)

The weights only work on input scaled the way they were trained, and mis-scaled input degrades the reconstruction silently rather than raising:

  1. Sign-preserving log compression, t(x) = sign(x) * log1p(|k * x|), with k = 1e5.
  2. Min-max normalize [t(-0.25), t(0.45)] to [-1, 1], where -0.25 / 0.45 are the OpenPros data_min / data_max from its dataset_config.json.

The output is in [-1, 1] and maps linearly onto the OpenPros label range, 1300–3600 m/s.

k is part of the weights, not a tunable. The OpenPros job scripts pass --k 1e9, but k = 1e5 is what reproduces this checkpoint on the released data: on the OpenPros sample it gives a mean absolute error of 14 m/s against the ground-truth map, where k = 1e9 gives 244 m/s. The optimum is sharp — an order of magnitude either way costs roughly 3x in error.

See the zea documentation for the full pipeline.

Attribution

The architecture, the training data and these weights are the work of the OpenPros and InversionNet authors — please cite both when you use this model:

  • Y. Wu and Y. Lin. InversionNet: An Efficient and Accurate Data-Driven Full Waveform Inversion. IEEE Transactions on Computational Imaging, 6:419–433, 2020. doi:10.1109/TCI.2019.2956866 · arXiv:1811.07875
  • H. Wang, Y. Wu, Y. Feng, P. Jin, L. Zhang, S. Feng, J. Wiskin, B. Turkbey, P. A. Pinto, B. J. Wood, S. Luo, Y. Chen, E. Boctor and Y. Lin. OpenPros: A Large-Scale Dataset for Limited View Prostate Ultrasound Computed Tomography. 2025. arXiv:2505.12261 · code

Licensed CC-BY-4.0, following the original OpenPros release.

About

Converted and hosted as part of OpenH-RF, an open ultrasound channel-data initiative by NVIDIA, TU/e and Stanford, and distributed through zea.

Как запустить

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

GPU в ailist

Универсальный рантайм · zea

Нельзя запустить

Модели «картинка → картинка» пока не запускаются.

Ревизия весов
8602894

0 моделей

    Создать бенчмарк