新闻动态
News
MONAI 更新到 0.9 版本了，你用的是多少呢？我们来看看这次有什么重要更新。
▲ MONAI Bundle：MONAI 捆绑包
▲ Object detection in medical images：医学图像中的对象检测
▲ Swin Transformers for 3D medical image analysis：用于 3D 医学图像分析的 Swin Transformers
▲ New interactive segmentation components：新的交互式细分组件
▲ MetaTensor API preview：MetaTensor API 预览
MONAI Bundle
MONAI Bundle 格式定义了可移植描述的深度学习模型（文档）。捆绑包包括模型开发生命周期中必需的关键信息，并允许用户和程序了解模型的目的和用途。Bundle 和 monai.bundle API 的主要优点是：
● Standardized packaging format for storing and sharing models, 用于存储和共享模型的标准化包装格式
● Structured configuration files for fast prototyping of deep learning workflows, 用于深度学习工作流程快速原型设计的结构化配置文件
● Easy to program APIs to separate deep learning hyperparameter settings from the Python code, 易于编程 API 以将深度学习超参数设置与 Python 代码分开
● Flexible config components to allow for different low-level Python implementations, 灵活的配置组件以允许不同的低级 Python 实现
● Help to decouple the component details from higher level learning paradigms such as federated learning and AutoML. 帮助将组件细节与更高级别的学习范式（例如联邦学习和 AutoML）解耦
本部分适合对代码编写有高要求的技术大佬。更多详细教程MONAI bundle[1]
Object detection in medical images
此版本包括对象本地化和分类工作流的基本组件。最初的开发包括 2D 和 3D 边界框处理、RetinaNet 的网络块和架构，以及基于坐标的预处理、硬负采样器等常用实用模块。
做对象检查的可以关注这部分更新。
Swin Transformers for 3D medical image analysis
新增了 Swin UNETR 模型在 MONAI 中实现。本教程展示了使用这种最先进模型的多器官分割示例，其中权重来自对来自公开数据集的 5050 次 CT 扫描的 Swin UNETR 编码器（3D Swin Transformer）的自我监督预训练。
实现细节在MOANI swin UNETR[2]
最近在关注 transformer 分割的童鞋可以尝试跑一下代码。
New interactive segmentation components
DeepEdit 和 NuClick 等深度学习交互式分割工作流程中的新组件已集成到核心代码库中。它们是 MONAILabel 中最新功能的基本构建块。
MetaTensor API preview
与主要成像模式相关的元数据在许多生物医学应用中很重要，特别是对于 MONAI 一直关注的数据驱动方法。从这个版本开始，我们对 MONAI 中的数据表示进行了重大重构。第一步，核心数据结构 MetaTensor 和 MetaObj 被实现为功能预览。功能分支的进一步开发将在未来的里程碑版本中提供。
对这次更新感兴趣的，建议升级玩一玩，PS：如果有用之前的版本发表论文，还在返修的，建议新建一个conda 环境，避免环境变换复现不了实验。
参考资料
[1]
MONAI bundle:
https://github.com/Project-MONAI/tutorials/tree/main/modules/bundle
[2]
MOANI swin UNETR:
https://github.com/Project-MONAI/research-contributions/tree/main/SwinUNETR
