深度学习模型已经成功地应用于医学图像分析问题中,但是它们需要大量的标记图像才能获得良好的性能。创建这样的注释是乏味的,耗时的,并且通常需要临床专业知识。
为了弥补这一差距,项目 MONAI 发布了 MONAI Label v0 . 1 ,这是一个智能的开源图像标记和学习工具,可帮助研究人员和临床医生协作,轻松快速地创建带注释的数据集,并以标准化的 MONAI 范式构建人工智能模型。
MONAI 标签通过不断学习用户的交互和新标签,使人工智能模型能够适应手头的临床任务。它提供了人工智能辅助的注释体验,允许研究人员和开发人员通过临床医生(通常是医学成像人工智能模型的最终用户)的迭代反馈,不断改进他们的应用程序。
在费城儿童医院( CHOP ), Matthew Jolley 博士解释了他们是如何利用机器学习算法进行创新和推动临床效果的。
“先天性心脏病患儿具有广泛的解剖学基础,目前几乎没有现成的工具来促进基于图像的结构分型和针对患者的复杂心脏干预计划。然而,目前基于三维图像的心脏模型创建速度很慢,甚至在有经验的建模人员手中也是如此,因此,我们一直致力于开发机器学习算法来创建先天性心脏病患儿的心脏瓣膜模型,例如左心发育不全综合征的三尖瓣。基于机器学习的自动化技术的不断发展将允许快速建模和精确量化功能失调瓣膜与正常瓣膜在多个参数上的差异。然后,我们可以将个体的“结构瓣膜轮廓”在解剖和功能的 spe CTR um 中进行上下文化,我们可以在最终可能为改善儿童的医疗决策和干预措施提供信息。”
有了 MONAI 标签,我们设想创建一个社区的研究者和临床医生像 Jolley 博士和他的团队谁可以建立在一个维护良好的软件基础上,将加速合作,通过持续学习。 MONAI 标签团队和 CHOP 通过切片器周项目合作,成功开发了一个用于三维超声心动图( 3DE )图像中心脏瓣膜小叶分割的 MONAI 标签应用程序。该团队目前正致力于将该模型作为 MONAI 标签应用程序部署在 CHOP 的面向公众服务器上,临床医生可以直接与该模型交互,并触发一个适应训练循环– 了解更多 。
对于像 Project MONAI 这样的开放源码项目来说,让临床医生参与到开发医疗成像领域人工智能生命周期管理通用最佳实践的过程中是非常重要的。引用乔利博士的话:
“像 Project MONAI 这样的开源框架提供了一个标准化的、透明的、可复制的模板,用于创建和部署以医学图像为中心的机器学习模型,加强了我们的工作。它们使我们能够专注于研究新的算法及其应用,而不是开发和维护软件基础设施。这反过来又加快了研究进展,我们正在积极将其转化为与我们所服务的儿科社区实际相关的工具。”
MONAI 标签 V0 . 1 中包括什么
MONAI Label 是一个开源的服务器客户机系统,易于设置,可以在一台有一到两个 GPU 的机器上本地运行。初始版本还不支持多个用户会话,因此服务器和客户端都在同一台机器上运行。
MONAI 标签实现了 MONAI 的核心承诺,即模块化、 Pythonic 、可扩展、易于调试、用户友好和可移植。
MONAI v0 . 1 包括:
- MONAI 标签服务器: REST API 便于与查看器客户端(切片器、 OHIF 等)通信的服务器。
- MONAI 标签样本应用程序,可适用于 MR / CT 成像方式的给定临床任务,包括由 MONAI 研究人员开发的 DeepGrow 和 DeepEdit 。
- 在 v0 . 1 中,我们为 MONAI 标签发布了一个 3DSlicer 插件,以启动用户在 MONAI 标签体验中的体验
NVIDIA Clara AIAA 的未来版本也将利用 MONAI 标签框架。我们将继续为 NVIDIA Clara 医学成像工具和 MONAI 的开发工作联合起来,为医疗成像领域的研究人员和开发人员提供领域优化、强大的软件工具。
借助参与社区的贡献, MONAI Label 旨在降低贴标成本,最大限度地促进研究人员和临床医生之间的合作。现在就开始使用 MONAI 标签 github 上提供的示例应用程序,并遵循 MONAI 标签文档 中提供的逐步入门指南。