专为医学影像构建的
训练库
功能
覆盖从原始扫描数据到训练模型的全流程
不是为了医疗保健而改装的通用 ML 框架：从数据加载到评估的每一层，都是围绕 3D 医学体数据设计的。
医疗专用转换（Transforms）
LoadImaged, Spacingd, RandCropByPosNegLabeld：字典式转换，保持图像和标签同步
CacheDataset 及智能缓存技术，数据加载速度提升最高达 10 倍
用于可重复训练任务的确定性管道
内置 DICOM、NIfTI 和 PNG/JPEG I/O 支持（支持 2D、3D 和 4D）
最先进的架构
MAISI：利用潜在扩散生成可控解剖结构的合成 3D CT 数据
VISTA-3D：通用 3D 分割模型，支持对 100 多种解剖类别进行提示词分割
UNETR 和 SwinUNETR Transformer 主干网络，以及经典的 UNet 变体
40+ 个预训练模型库（Model Zoo bundles），开箱即用，支持微调
研究工作流
sliding_window_inference：在有限 GPU 内存下实现全卷预测
支持 Dice、Hausdorff 和表面距离（Surface Distance）指标，并支持批量 GPU 评估
开箱即用的多 GPU (DDP) 和混合精度训练
TensorBoard 可视化和实验跟踪钩子（hooks）
快速入门
一次安装，十个可组合模块
仅导入您需要的内容（转换、网络、损失函数），或使用端到端的完整工作流。每个模块都链接至其 API 参考文档。
$ pip install monai
from monai.transforms import (
Compose, LoadImage,
EnsureChannelFirst, ScaleIntensity,
)
transforms = Compose([
LoadImage(image_only=True),
EnsureChannelFirst(),
ScaleIntensity(),
])
image = transforms("ct_chest.nii.gz")想要完整的教程指南？ 浏览教程仓库
核心模块
转换 (Transforms)
空间、强度和基于字典的医学数据转换
网络 (Networks)
UNETR、SwinUNETR、SegResNet 等参考网络
损失函数 (Losses)
用于不平衡解剖结构的 DiceLoss、DiceCELoss、FocalLoss
指标 (Metrics)
Dice, Hausdorff, 表面距离等
数据 (Data)
CacheDataset、PersistentDataset，高效加载器
推理器 (Inferers)
滑动窗口和基于块的推理
优化器 (Optimizers)
用于医学任务的优化器和学习率调度
应用 (Applications)
端到端应用：Auto3DSeg、MAISI、VISTA
可视化 (Visualization)
2D/3D 绘图和 TensorBoard 工具
工具 (Utils)
确定性、类型转换、辅助函数
自动化
Auto3DSeg：可自动调优的分割方案
只需将 Auto3DSeg 指向一个已标注的数据集，它便能分析图像强度、尺寸和间距，配置候选算法，在您的 GPU 上进行训练，并集成表现最佳的模型。该管道正是多项 MICCAI 挑战赛冠军背后的核心技术。
工作原理
数据集分析
自动分析强度范围、体数据大小和体素间距，以选择正确的预处理方法。
算法生成
根据数据评估结果，生成可直接训练的算法文件夹（SegResNet, SwinUNETR, DiNTS）。
GPU 加速训练
无需额外配置即可进行多 GPU 训练、验证和推理。
模型集成
将表现最好的候选模型组合成一个更精准的集成模型。
竞赛验证
MICCAI 2023 挑战赛
- 在 BraTS 2023（脑肿瘤）中多次获得冠军
- 在 KiTS 2023（肾脏分割）中获得冠军
- 在 SEG.A. 2023（主动脉分割）中获得冠军
- 在 MVSEG 2023（二尖瓣分割）中获得冠军
影响力
医学影像 AI 的默认研究技术栈
数据均可核实：每一项数据均链接至其原始来源。
同行评审论文
基于 MONAI 构建的已发表研究，涵盖放射学、病理学等多个领域。
挑战赛夺冠
基于 MONAI 的参赛作品已在包括 BraTS 和 KiTS 在内的医学影像竞赛中占据榜首。
Model Zoo 模型包
预训练且可重复的模型包：权重、配置和推理代码打包在一起。
参考引用
如何引用 MONAI Core
如果 MONAI 对您的研究有所帮助，请引用我们的框架论文
@article{cardoso2022monai,
title={MONAI: An open-source framework for deep learning in healthcare},
author={M Jorge Cardoso, Wenqi Li, Richard Brown, Nic Ma, Eric Kerfoot, Yiheng Wang, Benjamin Murrey, Andriy Myronenko, Can Zhao, Dong Yang, Vishwesh Nath, Yufan He, Ziyue Xu, Ali Hatamizadeh, Andriy Myronenko, Wentao Zhu, Yun Liu, Mingxin Zheng, Yucheng Tang, Isaac Yang, Michael Zephyr, Behrooz Hashemian, Sachidanand Alle, Mohammad Zalbagi Darestani, Charlie Budd, Marc Modat, Tom Vercauteren, Guotai Wang, Yiwen Li, Yipeng Hu, Yunguan Fu, Benjamin Gorman, Hans Johnson, Brad Genereaux, Barbaros S Erdal, Vikash Gupta, Andres Diaz-Pinto, Andre Dourson, Lena Maier-Hein, Paul F Jaeger, Michael Baumgartner, Jayashree Kalpathy-Cramer, Mona Flores, Justin Kirby, Lee A D Cooper, Holger R Roth, Daguang Xu, David Bericat, Ralf Floca, S Kevin Zhou, Haris Shuaib, Keyvan Farahani, Klaus H Maier-Hein, Stephen Aylward, Prerna Dogra, Sebastien Ourselin, Andrew Feng},
journal={arXiv:2211.02701},
year={2022}
}