针对医疗成像 AI 生命周期的开发是一个耗时的 和资源高消耗 的过程,通常包括数据采集、计算和培训时间,以及一组在创建适合您的特定挑战的模型方面有丰富知识的专家。 Project MONAI , AI 的医疗开放网络,正在继续扩展其功能,以帮助简化这些障碍,无论开发人员从何处开始他们的医疗 AI 工作流。
一个不断发展的开放源代码平台,用于更好的医疗 AI
MONAI 是一个特定领域的开源医学人工智能框架,推动研究突破,加速人工智能进入临床影响。它将医生与数据科学家联合起来,为医学 AI 工作流中的深度学习模型和可部署应用程序释放医学数据的力量。 MONAI 在数据标记、模型培训和应用程序部署方面具有特定领域的工具,使您能够开发、复制和标准化医疗 AI 生命周期。
MONAI v1.0 的发布为开发人员带来了许多令人兴奋的新更新和工具,包括:
- 模型动物园
- MONAI 标签中的主动学习
- 自动三维分割
- 联盟学习
MONAI 是发展最快的开源平台,它提供了针对本地 PyTorch 范式中的医学成像优化的深度学习基础设施和工作流。 MONAI 免费提供,并针对超级计算规模进行了优化,由 12 个顶级学术医疗中心( AMC )支持,每月有 50000 次下载。从研究到临床产品, MONAI v1.0 的发布允许研究人员和开发人员以快速和标准化的方式构建模型和应用程序。
视频 1.了解医学中的人工智能如何受益于 u 与数据科学家一起寻找医生
MONAI Model-Zoo 的快速入门培训工作流
训练和构建自己的 AI 模型需要大量的时间、数据、计算能力和训练算法知识。 MONAI Model-Zoo 使开发者能够快速发现特定于医学成像的预处理和公开可用的模型。通过使用 MONAI Bundle Format ,只需几个命令就可以开始使用这些模型。
MONAI Model Zoo 提供了一系列医学成像 AI 模型。它也是一个框架,供开发人员创建和发布自己的模型,从而生成预处理医学成像模型的开源集合,可用于加快开发过程。
在社区的推动下, Model-Zoo 使尖端的医疗 AI 任务变得容易访问,并通过即插即用文档、示例和捆绑包帮助您快速开始工作流程。 Model Zoo 的主要贡献者包括 NVIDIA 、 KCL 、 Kitware 、 Vanderbilt 和 Charite ,其中包括超过 15 个成像模式的模型,如 CT 、病理学、超声波和内窥镜,以执行分割、分类、注释任务等。
通过主动学习构建更好的数据集
标记数据的过程可能很耗时,能够注释这些图像的专家可能没有时间注释每个图像。 MONAI Label 增强了主动学习能力,这是一个旨在使用最少数据量实现尽可能高的模型性能的过程。选择对整体模型精度影响最大的数据可以让人类注释员将注意力集中在对模型性能影响最大的注释上。
MONAI Label 提供了一个临床医生友好的应用程序,可以在很短的时间内熟练地标记数据,同时只需按一下按钮即可同时训练模型。通过主动学习等方法,人工智能算法可以智能地选择最难的图像作为临床输入,并在专家的指导下提高人工智能模型的性能。这使得人工注释器能够专注于注释,这些注释将在模型性能方面提供最大的收益,并解决模型不确定性方面的问题。
主动学习可以在人类管理所需时间的一小部分内构建更好的数据集。 MONAI Label 现在可以自动查看和标记大型数据集,标记需要人工输入的图像数据,然后在将其添加回训练数据之前,询问临床医生对其进行标记。
通过在 MONAI 标签中积极学习,开发人员可以看到培训成本最多降低 75% ,同时提高了标签和培训效率,同时实现了更好的模型性能。在主动学习中,只有 25% 的实际训练数据集用于获得与 100% 训练数据集相同的 0.82 骰子得分结果。
加速 3D 分割
实现最先进的 3D 分割模型的模型培训过程需要大量的时间、计算以及开发人员和研究人员的专业知识。为了帮助加快这一过程, MONAI 现在提供了一个低代码的 3D 医学图像分割框架,可以在无需人工交互的情况下加快模型训练时间。
MONAI Auto-3D Segmentation 工具是一个低代码框架,允许任何技能水平的开发人员和研究人员训练模型,该模型可以快速描绘 CT 和 MRI 等 3D 成像设备数据的感兴趣区域。它通过有效的模型、高效的工作流和用户需求的可定制性,将开发人员的培训时间从一周缩短到两天。
功能包括:
- 数据分析工具
- 自动化配置
- MONAI 捆绑中的模型培训
- 模型集成工具
- 工作流管理器
- 经过培训的车型重量
MONAI 联合学习
MONAI v1.0 包括联邦学习( FL )客户端算法 API ,这些 API 作为抽象基类公开,用于定义要在任何联邦学习平台上运行的算法。
联合学习平台 NVIDIA FLARE 已经用这些新 API 构建了集成块。使用 MONAI 捆绑配置和新的联合学习 API ,任何捆绑都可以无缝扩展到联合范例。我们欢迎其他联合学习工具包与 MONAI FL API 集成,为医学成像领域的协作学习奠定共同基础。
MONAI 入门
要开始使用 Project MONAI v1.0 ,请访问 MONAI website 。访问 MONAI GitHub repo 上的 Python 库、 Jupyter 笔记本和 MONAI 教程。
您还可以请求 NVIDIA LaunchPad 体验动手实验室 开始使用 MONAI 标签注释和调整医学成像模型。