Project-MONAI / Project-MONAI/tutorials

MAISI Inference

Offen
#1,940 1 Kommentar 1 Reaktion 0 zugewiesene Personen Auf GitHub ansehen

Dieses Issue hat noch niemand übernommen.

Vorherrschende Sprache
Jupyter Notebook
Sterne
2.5k
Forks
803
Ø Merge
6 T. 22 Std.
Gemergte PRs (30 T.)
3

Beschreibung

I am trying to use MAISI inference and I have a couple of questions.

my pipeline now to generate a segmentation mask to give as input for MAISI inference is:

  1. generate segmentation mask using TotalSegmentatorV2
  2. generate segmentation mask using Visat3D
  3. unify labels (convert TS labels to same values of Vista3D)
  4. generate unified mask to take best segmentation
  5. use MAISI inference

my questions are:

  1. is that pipeline helps to get best results or it has some problems, as I could not neither find in the paper nor documentations how you prepare the segmentation masks.
  2. Important question: both segmentation networks do not provide segmentation masks for air or body regions. I investigated the training dataset and found that the value 200 is assigned to those parts, however I could not find anywhere what is HU threshold you are using, so please also if you can guide onto that part whether where to find it or what is the threshold being used. so if you can advise how you prepare the body segmentation mask with value 200 and integrate with the segmentation masks from the segmentation networks.

Beitragsleitfaden

Beitragsleitfaden öffnen

Erste Schritte

  1. Lies das ganze Issue und danach den Beitragsleitfaden des Projekts.
  2. Schreib ins Issue, dass du es übernimmst — das erspart doppelte Arbeit.
  3. Forke das Repository und arbeite in einem Branch.
  4. Öffne einen Pull Request, der die Issue-Nummer nennt.

Rechercherichtung

Beginne mit dem im Issue beschriebenen MAISI-Inferenz-Workflow und vergleiche anschließend die Ausgaben von TotalSegmentatorV2 und Visat3D mit dem Trainingsdatensatz. Dokumentiere, wie die Labels vereinheitlicht werden, wie der Wert 200 Luft- oder Körperregionen zugewiesen wird und welcher HU-Schwellenwert verwendet wird; abgeschlossen ist die Aufgabe, wenn das Verfahren zur Maskenvorbereitung klar genug ist, um es zu reproduzieren.

Vom Indexierungsmodell aus dem Issue-Text verfasst.

Bewertung

Tech-Stack
jupyter-notebook, pytorch
Bereich
computer-vision, documentation, machine-learning
Issue-Typ
Dokumentation
Schwierigkeit
5/5
Geschätzter Aufwand
Über eine Woche
Aktivitätsstatus
Veraltet
Klarheit
Muss geklärt werden
Anfängerfreundlichkeit
20/100

Neue Issues direkt in Ihr Postfach

Eine kurze Übersicht über anfängerfreundliche GitHub-Issues.