医疗开源网络
助力人工智能
由 NVIDIA、NIH、伦敦国王学院、梅奥诊所、MSKCC、斯坦福大学、DKFZ 以及其他 30 多家机构的研究人员和工程师维护。
为何选择 MONAI
专为医学影像打造
提供领域特定的转换、经验证的 3D 架构和可复现的工作流。它不是从通用机器学习框架适配而来。
-
原生支持 PyTorch
基于 PyTorch 构建，无需学习新框架。标准的
nn.Module、DataLoader、AMP 和 DDP 都可如预期般工作。 -
领域特定工具
支持 DICOM 和 NIfTI I/O，针对 3D 医学体数据的空间转换，分割指标（Dice、Hausdorff、表面距离），以及针对类别不平衡解剖结构校准的损失函数。
-
可复现的包 (Bundles)
MONAI Bundles 将权重、训练配置、元数据和推理代码打包在一起。相同的格式驱动着模型库，确保您的工作从一开始就具有可移植性。
-
社区治理
由 NVIDIA、NIH、伦敦国王学院、梅奥诊所、MSKCC、斯坦福大学、DKFZ 及其他 30 多家机构维护。治理模式、工作组和路线图决策公开透明。
-
最先进的架构
包括 MAISI（合成 CT 生成）、UNETR 和 SwinUNETR（3D Transformer 骨干网络）、VISTA-3D（通用分割）以及 Auto3DSeg（自动化流水线）的参考实现。
-
Apache 2.0 协议
基于 Apache 2.0 开源。可免费用于商业产品、研究和临床流水线，生产环境使用无隐藏许可陷阱。
生态系统
三个项目，一条流水线
在 Label 中标注，在 Core 中训练，通过 Deploy 部署。它们共享相同的包格式和数据规范，因此您可以单独使用其中任何一个组件，也可以将三者结合使用。
MONAI Label
带主动学习的服务器端标注。它会自动推荐下一个需要标注的体数据，并根据您的校正细化预测结果。支持接入 3D Slicer、OHIF 和 MITK。
- 用于高效数据选择的主动学习
- 多种查看器集成
- AI 辅助标注
- 多用户协作
MONAI Core
训练与研究库。包含医学影像转换、3D 架构、损失函数和指标，这是研究人员的首选构建模块。
- 医学专用转换
- MAISI、UNETR 和 VISTA-3D 架构
- 预训练模型库
- 自动化机器学习流水线
MONAI Deploy
从训练模型到临床流水线的通路。支持 DICOM 和 FHIR I/O、容器化 MAP 打包，以及从工作站到 Kubernetes 的推理运行环境。
- 临床工作流集成
- DICOM 与 FHIR 支持
- 容器化部署
- 推理优化
连接
社区与支持
提问、贡献和讨论均公开进行。可在 GitHub 或 Slack 上提问；参加工作组电话会议；在 MONAI 训练营进行展示。
影响力
成功案例
了解医疗机构、供应商和研究团队如何在生产环境中运行 MONAI。
精选梅奥诊所的临床 AI 集成
梅奥诊所佛罗里达中心（Center for Augmented Intelligence）在其临床放射学流水线中运行 MONAI 打包的模型。案例研究记录了集成模式、MAP 容器化以及吞吐量结果。
梅奥诊所佛罗里达 · CAII 查看器 
