針對醫療成像 AI 生命周期的開發是一個耗時的 和資源高消耗 的過程，通常包括數據采集、計算和培訓時間，以及一組在創建適合您的特定挑戰的模型方面有豐富知識的專家。 Project MONAI ， AI 的醫療開放網絡，正在繼續擴展其功能，以幫助簡化這些障礙，無論開發人員從何處開始他們的醫療 AI 工作流。

一個不斷發展的開放源代碼平臺，用于更好的醫療 AI

MONAI 是一個特定領域的開源醫學人工智能框架，推動研究突破，加速人工智能進入臨床影響。它將醫生與數據科學家聯合起來，為醫學 AI 工作流中的深度學習模型和可部署應用程序釋放醫學數據的力量。 MONAI 在數據標記、模型培訓和應用程序部署方面具有特定領域的工具，使您能夠開發、復制和標準化醫療 AI 生命周期。

MONAI v1.0 的發布為開發人員帶來了許多令人興奮的新更新和工具，包括：

模型動物園

MONAI 標簽中的主動學習

自動三維分割

聯盟學習

MONAI 是發展最快的開源平臺，它提供了針對本地 PyTorch 范式中的醫學成像優化的深度學習基礎設施和工作流。 MONAI 免費提供，并針對超級計算規模進行了優化，由 12 個頂級學術醫療中心（ AMC ）支持，每月有 50000 次下載。從研究到臨床產品， MONAI v1.0 的發布允許研究人員和開發人員以快速和標準化的方式構建模型和應用程序。

視頻 1.了解醫學中的人工智能如何受益于 u 與數據科學家一起尋找醫生

MONAI Model-Zoo 的快速入門培訓工作流

訓練和構建自己的 AI 模型需要大量的時間、數據、計算能力和訓練算法知識。 MONAI Model-Zoo 使開發者能夠快速發現特定于醫學成像的預處理和公開可用的模型。通過使用 MONAI Bundle Format ，只需幾個命令就可以開始使用這些模型。

MONAI Model Zoo 提供了一系列醫學成像 AI 模型。它也是一個框架，供開發人員創建和發布自己的模型，從而生成預處理醫學成像模型的開源集合，可用于加快開發過程。

在社區的推動下， Model-Zoo 使尖端的醫療 AI 任務變得容易訪問，并通過即插即用文檔、示例和捆綁包幫助您快速開始工作流程。 Model Zoo 的主要貢獻者包括 NVIDIA 、 KCL 、 Kitware 、 Vanderbilt 和 Charite ，其中包括超過 15 個成像模式的模型，如 CT 、病理學、超聲波和內窺鏡，以執行分割、分類、注釋任務等。

通過主動學習構建更好的數據集

標記數據的過程可能很耗時，能夠注釋這些圖像的專家可能沒有時間注釋每個圖像。 MONAI Label 增強了主動學習能力，這是一個旨在使用最少數據量實現盡可能高的模型性能的過程。選擇對整體模型精度影響最大的數據可以讓人類注釋員將注意力集中在對模型性能影響最大的注釋上。

MONAI Label 提供了一個臨床醫生友好的應用程序，可以在很短的時間內熟練地標記數據，同時只需按一下按鈕即可同時訓練模型。通過主動學習等方法，人工智能算法可以智能地選擇最難的圖像作為臨床輸入，并在專家的指導下提高人工智能模型的性能。這使得人工注釋器能夠專注于注釋，這些注釋將在模型性能方面提供最大的收益，并解決模型不確定性方面的問題。

主動學習可以在人類管理所需時間的一小部分內構建更好的數據集。 MONAI Label 現在可以自動查看和標記大型數據集，標記需要人工輸入的圖像數據，然后在將其添加回訓練數據之前，詢問臨床醫生對其進行標記。

通過在 MONAI 標簽中積極學習，開發人員可以看到培訓成本最多降低 75% ，同時提高了標簽和培訓效率，同時實現了更好的模型性能。在主動學習中，只有 25% 的實際訓練數據集用于獲得與 100% 訓練數據集相同的 0.82 骰子得分結果。

加速 3D 分割

實現最先進的 3D 分割模型的模型培訓過程需要大量的時間、計算以及開發人員和研究人員的專業知識。為了幫助加快這一過程， MONAI 現在提供了一個低代碼的 3D 醫學圖像分割框架，可以在無需人工交互的情況下加快模型訓練時間。

MONAI Auto-3D Segmentation 工具是一個低代碼框架，允許任何技能水平的開發人員和研究人員訓練模型，該模型可以快速描繪 CT 和 MRI 等 3D 成像設備數據的感興趣區域。它通過有效的模型、高效的工作流和用戶需求的可定制性，將開發人員的培訓時間從一周縮短到兩天。

功能包括：

數據分析工具

自動化配置

MONAI 捆綁中的模型培訓

模型集成工具

工作流管理器

經過培訓的車型重量

MONAI 聯合學習

MONAI v1.0 包括聯邦學習（ FL ）客戶端算法 API ，這些 API 作為抽象基類公開，用于定義要在任何聯邦學習平臺上運行的算法。

聯合學習平臺 NVIDIA FLARE 已經用這些新 API 構建了集成塊。使用 MONAI 捆綁配置和新的聯合學習 API ，任何捆綁都可以無縫擴展到聯合范例。我們歡迎其他聯合學習工具包與 MONAI FL API 集成，為醫學成像領域的協作學習奠定共同基礎。

關于作者

Michael Zephyr 是 NVIDIA Clara 團隊的開發者傳道者，負責幫助設計所有 NVIDIA Clara 產品的開發者體驗。

Kathy Benemann 是 NVIDIA Clara 的產品營銷總監，她專注于將 NVIDIA 的 AI 醫療解決方案推向市場。在加入 NVIDIA 之前， Kathy 負責 H2O 的產品營銷。 ai ，她在 ai 公司和計劃中擔任過許多營銷領導角色。凱西擁有加州大學戴維斯分校遺傳學學士學位和加州大學伯克利分校 MBA 學位。

審核編輯：郭婷