开源医疗影像框架Monai v0.2来了！
2020-07-14 21:29
分享到微信
分享到微博
今年4月，MONAI alpha测试版本在GTC 2020上正式发布。大约2个月后，MONAI v0.2就发布了，速度堪比光速！对于将在十月份发布的v0.3，大家是不是也已经迫不及待了？
MONAI v0.2
基于公开alpha测试版本的MONAI（Medical Open Network for AI）是一个基于PyTorch的开源医疗影像框架，其发布得到了社区的大力支持。MONAI具备可助力深度学习训练工作流程开发的基本功能，且这些功能针对医疗图像领域进行了优化。
MONAI v0.2为医学影像研究人员提供了全新的功能、示例和研究实例，能够助力加快AI开发的创新步伐。近期，Computer Vision News 2020对此进行了报道。
MONAI v0.2亮点
医学影像变换和数据增强
---为凝聚社区的力量，探索针对影像变换和数据增强的最佳实践，MONAI配备了适配器工具，可实现与BatchGenerator、Torch I/O、Rising和ITK等第三方工具包的互通性。
---研究人员现可使用上述任一工具包，以及MONAI自带的代码实现（包括通过GPU优化的影像专用字典、阵列和空间转换），来组建多个转换链。
针对医疗领域的数据缓存和I/O模块
---研究人员通常需要对模型进行多次迭代训练，以达到所期的质量。原生PyTorch需要重复加载数据，并运行相同的预处理，非常耗时。而MONAI可将多线程与智能缓存技术相结合，实现高达10倍的性能提升。
---为降低研究人员首次开展训练实验的门槛，MONAI v0.2中包含标准化接口，以进行公共数据集（例如Medical Decathlon）的数据加载，还能使用MONAI API创建新的数据集。查看公共数据集教程：
https://github.com/Project-MONAI/MONAI/blob/master/examples/notebooks/public_datasets.ipynb
MONAI v0.2包括IEEE和MICCAI研究论文
---MONAI致力于履行其核心承诺，即提供高水平研究论文的研究基准，以便与业界最先进的代码实现进行比较，助力促成进一步合作。
---MONAI v0.2包含一篇题为“COPLE-Net for COVID-19 Pneumonia Lesion Segmentation”的IEEE论文的代码实现
---MONAI v0.2还包括早前一篇题为“LAMP: Large Deep Nets with Automated Model Parallelism for Image Segmentation”的MICCA-2020论文的代码实现。
新教程和示例
---关于如何将现有PyTorch代码迁移到MONAI的Colab教程
---将第三方转换集成到MONAI转换链中
---借助GAN生成医学影像
---CacheDataset和PersistentDataset教程
---如何轻松使用并创建公共数据集
---附带引擎和事件处理程序的工作流程示例
其他产品相关资源
---MONAI网络研讨会（点播回放）：
https://resources.nvidia.com/en-us-medical-imaging-explore/ai-development-with-monai-webinar?lx=HI2EMp
---网络研讨会演示文稿可通过谷歌网盘获取：
https://drive.google.com/drive/u/0/folders/1gRyACAIsP_F_n51zKUgmVdAk3JJ9lrD2
---我们的网站已更新，详细介绍了相关工作组及其愿景：
https://monai.io/about.html
---精彩的入门教程、示例和Jupyter Notebook：
https://monai.io/start.html
更多信息
MONAI v0.2
基于公开alpha测试版本的MONAI（Medical Open Network for AI）是一个基于PyTorch的开源医疗影像框架，其发布得到了社区的大力支持。MONAI具备可助力深度学习训练工作流程开发的基本功能，且这些功能针对医疗图像领域进行了优化。
MONAI v0.2为医学影像研究人员提供了全新的功能、示例和研究实例，能够助力加快AI开发的创新步伐。近期，Computer Vision News 2020对此进行了报道。
MONAI v0.2亮点
医学影像变换和数据增强
---为凝聚社区的力量，探索针对影像变换和数据增强的最佳实践，MONAI配备了适配器工具，可实现与BatchGenerator、Torch I/O、Rising和ITK等第三方工具包的互通性。
---研究人员现可使用上述任一工具包，以及MONAI自带的代码实现（包括通过GPU优化的影像专用字典、阵列和空间转换），来组建多个转换链。
针对医疗领域的数据缓存和I/O模块
---研究人员通常需要对模型进行多次迭代训练，以达到所期的质量。原生PyTorch需要重复加载数据，并运行相同的预处理，非常耗时。而MONAI可将多线程与智能缓存技术相结合，实现高达10倍的性能提升。
---为降低研究人员首次开展训练实验的门槛，MONAI v0.2中包含标准化接口，以进行公共数据集（例如Medical Decathlon）的数据加载，还能使用MONAI API创建新的数据集。查看公共数据集教程：
https://github.com/Project-MONAI/MONAI/blob/master/examples/notebooks/public_datasets.ipynb
MONAI v0.2包括IEEE和MICCAI研究论文
---MONAI致力于履行其核心承诺，即提供高水平研究论文的研究基准，以便与业界最先进的代码实现进行比较，助力促成进一步合作。
---MONAI v0.2包含一篇题为“COPLE-Net for COVID-19 Pneumonia Lesion Segmentation”的IEEE论文的代码实现
---MONAI v0.2还包括早前一篇题为“LAMP: Large Deep Nets with Automated Model Parallelism for Image Segmentation”的MICCA-2020论文的代码实现。
新教程和示例
---关于如何将现有PyTorch代码迁移到MONAI的Colab教程
---将第三方转换集成到MONAI转换链中
---借助GAN生成医学影像
---CacheDataset和PersistentDataset教程
---如何轻松使用并创建公共数据集
---附带引擎和事件处理程序的工作流程示例
其他产品相关资源
---MONAI网络研讨会（点播回放）：
https://resources.nvidia.com/en-us-medical-imaging-explore/ai-development-with-monai-webinar?lx=HI2EMp
---网络研讨会演示文稿可通过谷歌网盘获取：
https://drive.google.com/drive/u/0/folders/1gRyACAIsP_F_n51zKUgmVdAk3JJ9lrD2
---我们的网站已更新，详细介绍了相关工作组及其愿景：
https://monai.io/about.html
---精彩的入门教程、示例和Jupyter Notebook：
https://monai.io/start.html
更多信息
