# Swin-UNETR Projects at AI Tinkerers

> Canonical HTML: https://aitinkerers.org/technologies/swin-unetr
> Markdown URL: https://aitinkerers.org/technologies/swin-unetr.md
> Technology record last updated: 2026-03-08T17:56:23Z
> Generated: 2026-09-21T09:43:36Z

Swin UNETR is a state-of-the-art 3D medical image segmentation architecture: it pairs a hierarchical Swin Transformer encoder with a CNN-based decoder to capture long-range dependencies.

This model, Swin UNEt TRansformers (Swin UNETR), delivers superior performance in 3D medical segmentation tasks. Its core design leverages a Swin Transformer as the encoder, efficiently computing self-attention within shifted windows to model global context (long-range dependencies). This encoder connects via skip connections to a CNN-based decoder, which handles the high-resolution feature recovery necessary for precise segmentation. The architecture achieved top-ranking benchmarks in the BraTS 2021 challenge for brain tumor segmentation and is a state-of-the-art performer on the Medical Segmentation Decathlon (MSD) dataset.

- Official technology site: https://github.com/Project-MONAI/research-contributions/tree/main/SwinUNETR
- Public AI Tinkerers demos and talks: 1
- Result page: 1 of 1

## Recent Public Talks and Demos

### [Dating on the Edge: Iris-Based Matching and On-Device Mood Inference](https://manizales.aitinkerers.org/talks/rsvp_eac55l4Od3M)

Presentaré dos prototipos construidos a partir de mi investigación doctoral sobre patrones morfológicos y dinámicos del ojo como posibles correlatos psicológicos. 1. Social App estilo Tinder basada en iris (“Iris-Tinder”) Una aplicación funcional que utiliza imágenes de iris segmentadas y procesadas con un pipeline de visión por computador basado en Transformers (Swin-UNETR) para generar embeddings oculares. Estos embeddings se usan para crear un motor de afinidad entre usuarios sin depender de descripciones textuales ni fotos convencionales. Mostraré: cómo capturo y normalizo el iris (estándar ISO/IEC 29794-6), la arquitectura del modelo, la lógica de matching basada en distancias latentes, problemas reales como iluminación, segmentación, artefactos y reducción de sobreajuste en datasets pequeños. 2. Dispositivo edge para inferencia de estado de ánimo Demostraré un prototipo físico que corre inferencia local (sin nube) para estimar variaciones emocionales a partir de microdinámicas del ojo: pupilometría, fixaciones y saccades. El dispositivo, basado en un microcontrolador + cámara NIR, ejecuta un modelo cuantizado (INT8) entrenado con eye-tracking de alta frecuencia y optimizado con técnicas de poda y distillation. Mostraré los desafíos técnicos: throughput limitado, estabilización de señal, filtrado de ruido pupilar, y mantener latencia < 40 ms. Ambos demos están centrados en implementación real, decisiones de ingeniería y problemas no resueltos, no en valor de mercado ni diapositivas.

- Event context: 🏔️ ¡Décimo Encuentro de AI Tinkerers Manizales! — 2025-01-22 — Manizales
- Public talk page: https://manizales.aitinkerers.org/talks/rsvp_eac55l4Od3M

## Related Technologies

- [FAISS](https://aitinkerers.org/technologies/faiss) ([Markdown](https://aitinkerers.org/technologies/faiss.md)) — 17 public demos
- [FastAPI](https://aitinkerers.org/technologies/fastapi) ([Markdown](https://aitinkerers.org/technologies/fastapi.md)) — 181 public demos
- [MedSAM](https://aitinkerers.org/technologies/medsam) ([Markdown](https://aitinkerers.org/technologies/medsam.md)) — 1 public demo
- [PyTorch](https://aitinkerers.org/technologies/pytorch) ([Markdown](https://aitinkerers.org/technologies/pytorch.md)) — 273 public demos