MAISI Inference
Nessuno ha ancora preso questa issue.
Valutazione
- Difficoltà
- 5/5
- Tempo stimato
- Più di una settimana
- Idoneità per principianti
- 20/100
- Tipo di issue
- Documentazione
- Chiarezza
- Da chiarire
- Stato di attività
- Ferma
- Stack tecnologico
- jupyter-notebook, pytorch
- Ambito
- computer-vision, documentation, machine-learning
Direzione di ricerca
Inizia con il workflow di inferenza MAISI descritto nell’issue, quindi confronta gli output di TotalSegmentatorV2 e Visat3D con il dataset di training. Documenta come vengono unificate le label, come il valore 200 viene assegnato alle regioni di aria o del corpo e quale soglia HU viene utilizzata; il lavoro è completato quando la procedura di preparazione delle mask è sufficientemente chiara da poter essere riprodotta.
Scritto dal modello di indicizzazione a partire dal testo della issue.
Descrizione
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:
- generate segmentation mask using TotalSegmentatorV2
- generate segmentation mask using Visat3D
- unify labels (convert TS labels to same values of Vista3D)
- generate unified mask to take best segmentation
- use MAISI inference
my questions are:
- 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.
- 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.
- Lingua principale
- Jupyter Notebook
- Stelle
- 2.5k
- Fork
- 803
- Merge medio
- 6g 22h
- PR unite (30g)
- 3
Guida per i contributori
Apri la guida per i contributori
Come iniziare
- Leggi tutta la issue e poi la guida ai contributi del progetto.
- Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
- Fai un fork del repository e lavora su un branch.
- Apri una pull request che faccia riferimento al numero della issue.
Altre issue di Project-MONAI/tutorials
-
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 92/100
Project-MONAI/tutorials#2076 ·
-
Difficoltà 1/5 1-3 ore Idoneità per principianti 76/100
Project-MONAI/tutorials#2069 ·
-
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 85/100
Project-MONAI/tutorials#1704 ·
-
Difficoltà 4/5 3-5 giorni Idoneità per principianti 62/100
Project-MONAI/tutorials#2071 ·
-
Difficoltà 3/5 1-2 giorni Idoneità per principianti 35/100
Project-MONAI/tutorials#2067 ·
Tutte le issue di Project-MONAI/tutorials
Issue simili
-
Difficoltà 1/5 1-3 ore Idoneità per principianti 92/100
autowarefoundation/autoware_universe#13413 ·
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 90/100
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 78/100
alicevision/AliceVision#2180 · 1 commento ·
-
lk_single_level's det.abs() < f64::EPSILON degeneracy guard is on the wrong scale after #130/#138 Apertabug help wanted video-module
Difficoltà 2/5 1-3 ore Idoneità per principianti 84/100
-
`extrema_count()` reads `write_index` uninitialised, which breaks extremum counting on AMD/HIP Aperta
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 88/100
alicevision/popsift#193 · 1 commento ·