NV-Generate-MR部署指南在NVIDIA GPU上运行医学影像生成模型【免费下载链接】NV-Generate-MR项目地址: https://ai.gitcode.com/hf_mirrors/nvidia/NV-Generate-MRNV-Generate-MR是一款先进的三维潜扩散模型专为生成高质量合成磁共振MR图像而设计支持带或不带解剖学注释的影像生成。该模型在数据增强和生成逼真医学影像数据方面表现出色能够有效补充因隐私问题或特定病症稀有性而受限的数据集显著提升其他医学影像AI模型的性能。 准备工作系统要求与环境配置硬件要求GPU兼容性NVIDIA Ampere或Hopper架构推荐A100或H100 GPU以获得最佳性能显存要求至少24GB生成512×512×768分辨率图像时建议32GB以上软件环境操作系统Linux推荐Ubuntu 20.04运行时依赖MONAI Core v1.5.0PyTorch 2.0CUDA 11.7Hugging Face Hub客户端 快速部署步骤1. 克隆项目仓库git clone https://gitcode.com/hf_mirrors/nvidia/NV-Generate-MR cd NV-Generate-MR2. 安装依赖包pip install -U huggingface_hub monai torch torchvision3. 下载预训练模型模型文件存储在models/目录下包含自动编码器和扩散Unet模型huggingface-cli download nvidia/NV-Generate-MR \ models/autoencoder_v2.pt \ models/diff_unet_3d_rflow-mr.pt \ --local-dir ./models⚙️ 配置文件详解项目提供了两个核心配置文件位于configs/目录下网络配置config_network_rflow.json该文件定义了3D UNet架构和整流流Rectified Flow噪声调度器参数空间维度3D支持三维医学影像处理潜在通道数4控制潜空间表示能力注意力机制在高分辨率层启用第3、4层Flash Attention已启用优化内存使用和计算速度模型配置config.json基础模型元数据配置{ model_type: latent_diffusion, task: image_generation, framework: monai, modality: mr } 基本使用指南核心输入参数num_output_samples生成图像数量整数必填modality classMR序列类型8mri, 9mri_t1, 10mri_t2, 11mri_flairoutput_size三维输出尺寸x,y,z轴可选值128/256/384/512z轴额外支持640/768spacing体素间距0.5-5.0mm三维浮点数组生成示例代码from monai.apps.generation import NVGenerateMR # 初始化模型 model NVGenerateMR( config_pathconfigs/config_network_rflow.json, model_pathmodels/diff_unet_3d_rflow-mr.pt, vae_pathmodels/autoencoder_v2.pt ) # 生成T2加权MR图像 output model.generate( num_output_samples1, modality_class10, # T2加权 output_size[256, 256, 256], spacing[1.0, 1.0, 1.0] ) # 保存为NIfTI格式 output.save(synthetic_mr_t2.nii.gz) 模型架构解析NV-Generate-MR采用Transformer架构结合3D UNet与注意力模块总参数量达240M自动编码器将3D医学影像压缩到潜在空间配置文件定义于configs/config_network_rflow.json第12-38行扩散Unet通过整流流方法从噪声中生成高质量潜变量配置位于configs/config_network_rflow.json第39-65行控制网络支持解剖学条件控制实现特定器官的精准生成 支持的解剖学类别模型支持345种解剖结构的生成与分割包括核心器官肝脏(1)、肾脏(2)、脾脏(3)、胰腺(4)、脑(22)心血管系统心脏(115)、主动脉(6)、上下腔静脉(7,125)神经系统脊髓(121)、完整脑结构(214-345)病理结构肺肿瘤(23)、脑肿瘤(176)、骨病变(128)完整解剖学编号映射可参考模型文档。⚠️ 重要注意事项许可条款本模型仅供研究使用遵循NVIDIA OneWay非商业学术研究许可协议详细条款见NVIDIA OneWay Noncommercial License_22Mar2022 (research only).pdf.pdf)性能优化建议使用FP16精度推理可减少显存占用对于大尺寸图像生成建议使用梯度检查点技术多GPU部署可通过PyTorch Distributed实现伦理考量生成的合成数据不得用于临床诊断研究人员应确保符合HIPAA等隐私法规避免生成具有身份识别特征的影像。 参考资料Zhao, Can, et al. Maisi-v2: Accelerated 3d high-resolution medical image synthesis with rectified flow and region-specific contrastive loss. arXiv preprint arXiv:2508.05772 (2025).Rombach, Robin, et al. High-resolution image synthesis with latent diffusion models. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2022.【免费下载链接】NV-Generate-MR项目地址: https://ai.gitcode.com/hf_mirrors/nvidia/NV-Generate-MR创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
NV-Generate-MR部署指南：在NVIDIA GPU上运行医学影像生成模型
发布时间：2026/6/24 6:23:20
NV-Generate-MR部署指南在NVIDIA GPU上运行医学影像生成模型【免费下载链接】NV-Generate-MR项目地址: https://ai.gitcode.com/hf_mirrors/nvidia/NV-Generate-MRNV-Generate-MR是一款先进的三维潜扩散模型专为生成高质量合成磁共振MR图像而设计支持带或不带解剖学注释的影像生成。该模型在数据增强和生成逼真医学影像数据方面表现出色能够有效补充因隐私问题或特定病症稀有性而受限的数据集显著提升其他医学影像AI模型的性能。 准备工作系统要求与环境配置硬件要求GPU兼容性NVIDIA Ampere或Hopper架构推荐A100或H100 GPU以获得最佳性能显存要求至少24GB生成512×512×768分辨率图像时建议32GB以上软件环境操作系统Linux推荐Ubuntu 20.04运行时依赖MONAI Core v1.5.0PyTorch 2.0CUDA 11.7Hugging Face Hub客户端 快速部署步骤1. 克隆项目仓库git clone https://gitcode.com/hf_mirrors/nvidia/NV-Generate-MR cd NV-Generate-MR2. 安装依赖包pip install -U huggingface_hub monai torch torchvision3. 下载预训练模型模型文件存储在models/目录下包含自动编码器和扩散Unet模型huggingface-cli download nvidia/NV-Generate-MR \ models/autoencoder_v2.pt \ models/diff_unet_3d_rflow-mr.pt \ --local-dir ./models⚙️ 配置文件详解项目提供了两个核心配置文件位于configs/目录下网络配置config_network_rflow.json该文件定义了3D UNet架构和整流流Rectified Flow噪声调度器参数空间维度3D支持三维医学影像处理潜在通道数4控制潜空间表示能力注意力机制在高分辨率层启用第3、4层Flash Attention已启用优化内存使用和计算速度模型配置config.json基础模型元数据配置{ model_type: latent_diffusion, task: image_generation, framework: monai, modality: mr } 基本使用指南核心输入参数num_output_samples生成图像数量整数必填modality classMR序列类型8mri, 9mri_t1, 10mri_t2, 11mri_flairoutput_size三维输出尺寸x,y,z轴可选值128/256/384/512z轴额外支持640/768spacing体素间距0.5-5.0mm三维浮点数组生成示例代码from monai.apps.generation import NVGenerateMR # 初始化模型 model NVGenerateMR( config_pathconfigs/config_network_rflow.json, model_pathmodels/diff_unet_3d_rflow-mr.pt, vae_pathmodels/autoencoder_v2.pt ) # 生成T2加权MR图像 output model.generate( num_output_samples1, modality_class10, # T2加权 output_size[256, 256, 256], spacing[1.0, 1.0, 1.0] ) # 保存为NIfTI格式 output.save(synthetic_mr_t2.nii.gz) 模型架构解析NV-Generate-MR采用Transformer架构结合3D UNet与注意力模块总参数量达240M自动编码器将3D医学影像压缩到潜在空间配置文件定义于configs/config_network_rflow.json第12-38行扩散Unet通过整流流方法从噪声中生成高质量潜变量配置位于configs/config_network_rflow.json第39-65行控制网络支持解剖学条件控制实现特定器官的精准生成 支持的解剖学类别模型支持345种解剖结构的生成与分割包括核心器官肝脏(1)、肾脏(2)、脾脏(3)、胰腺(4)、脑(22)心血管系统心脏(115)、主动脉(6)、上下腔静脉(7,125)神经系统脊髓(121)、完整脑结构(214-345)病理结构肺肿瘤(23)、脑肿瘤(176)、骨病变(128)完整解剖学编号映射可参考模型文档。⚠️ 重要注意事项许可条款本模型仅供研究使用遵循NVIDIA OneWay非商业学术研究许可协议详细条款见NVIDIA OneWay Noncommercial License_22Mar2022 (research only).pdf.pdf)性能优化建议使用FP16精度推理可减少显存占用对于大尺寸图像生成建议使用梯度检查点技术多GPU部署可通过PyTorch Distributed实现伦理考量生成的合成数据不得用于临床诊断研究人员应确保符合HIPAA等隐私法规避免生成具有身份识别特征的影像。 参考资料Zhao, Can, et al. Maisi-v2: Accelerated 3d high-resolution medical image synthesis with rectified flow and region-specific contrastive loss. arXiv preprint arXiv:2508.05772 (2025).Rombach, Robin, et al. High-resolution image synthesis with latent diffusion models. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2022.【免费下载链接】NV-Generate-MR项目地址: https://ai.gitcode.com/hf_mirrors/nvidia/NV-Generate-MR创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
