Сегментация селезёнки на 3D КТ: полный пайплайн на MONAI и UNet

В этом туториале авторы строят полный пайплайн сегментации 3D-медицинских изображений на базе MONAI для выделения селезёнки на наборе данных Task09_Spleen из Medical Segmentation Decathlon. Используются воксельные КТ-снимки, применяются трансформации: выравнивание ориентации, нормализация воксельного разрешения, оконное шкалирование интенсивностей, обрезка по переднему плану и патчевая выборка. Основная модель — 3D U-Net для бинарной сегментации.

Обучение ведётся с использованием смешанной точности (mixed precision), функции потерь DiceCELoss и скользящего окна при инференсе. Для валидации используется метрика Dice, а результаты визуализируются для сравнения с истинными масками. Процесс включает генераторы данных DecathlonDataset, загрузчики DataLoader и кеширование для ускорения.

Этот код можно легко адаптировать для других задач сегментации: достаточно сменить датасет, настроить трансформации и количество классов. Пайплайн целиком реализован в Jupyter-среде и подходит как для экспериментов, так и для продакшна.