交互式标注
用于医学影像
功能
在您现有的查看器中提供 AI 辅助
MONAI Label 作为您查看器后台的服务器运行。标注员保持原有的工具使用习惯；模型则不断从您的每一次修正中学习。
AI 辅助标注
交互式模型（DeepEdit 和 DeepGrow）可将几次点击转化为完整的 3D 分割结果
当您进行修正时，预测结果会实时优化
在后台微调 UNet、UNETR 和 SwinUNETR 主干网络
临床集成
提供 3D Slicer、OHIF 和 MITK 的原生插件，以及对 QuPath、DSA 和 CVAT 的支持
直接读取 DICOMweb/PACS 或本地文件夹中的影像研究
多用户共享同一个服务器进行标注
可扩展平台
应用程序基于纯 Python：可轻松替换为您自己的模型和推理逻辑
可插拔的主动学习策略（随机、认知、自定义）
用于与现有标注流水线集成的 REST API
快速入门
只需四个命令即可从零构建标注服务器
安装软件包，获取放射学应用程序及示例数据集，然后启动服务器。接着从 3D Slicer 或 OHIF 连接，开始 AI 辅助标注。
安装 MONAI Label
执行一次 pip install 即可获得服务器、CLI 工具和示例应用程序工具链。
$ pip install monailabel
下载放射学应用程序
预配置了用于 CT/MRI 的 DeepEdit 和分割模型。
$ monailabel apps --download \
--name radiology \
--output apps下载示例数据集
医学分割十项全能（Medical Segmentation Decathlon）中的脾脏任务是一个很好的入门数据集。
$ monailabel datasets --download \
--name Task09_Spleen \
--output datasets启动服务器
将您的查看器指向服务器 URL 并开始标注。
$ monailabel start_server \
--app apps/radiology \
--studies datasets/Task09_Spleen/imagesTr \
--conf models deepedit主动学习
每一次修正都让下一次标注更轻松
服务器会根据模型不确定性对未标注的影像卷进行评分，并优先推送信息量最大的影像，从而将标注精力集中在最能提升模型能力的样本上。
减少标注时间
更快的模型收敛速度
用更少的标签实现高准确度
智能样本选择
- 不确定性采样优先展示最难的案例
- 多样性指标保持训练数据的多样性
- 集成差异（Ensemble disagreement）标记模糊的解剖结构
持续模型改进
- 当您继续标注时，模型会根据新标签自动重新训练
- 基于预训练 MONAI 捆绑包的迁移学习
- 开箱即用支持 UNet、UNETR 和 SwinUNETR
质量保证
- 标注期间的实时验证指标
- 每个预测的不确定性估计
- 自动化标签质量检查
学习
资源与培训
通过视频、指南和示例应用程序，从首次安装过渡到自定义标注工作流。
参考引用
如何引用 MONAI Label
如果 MONAI Label 对您的研究有所帮助，请引用我们的《Medical Image Analysis》论文。
@article{monailabel2024,
title={MONAI Label: A framework for AI-assisted Interactive Labeling of 3D Medical Images},
author={Diaz-Pinto, Andres and Alle, Sachidanand and Nath, Vishwesh and Tang, Yucheng and Ihsani, Alvin and Asad, Muhammad and P{\'e}rez-Garc{\'i}a, Fernando and Mehta, Pritesh and Li, Wenqi and Flores, Mona and Roth, Holger R. and Vercauteren, Tom and Xu, Daguang and Dogra, Prerna and Ourselin, Sebastien and Feng, Andrew and Cardoso, M. Jorge},
journal={Medical Image Analysis},
year={2024},
doi={10.1016/j.media.2024.103207}
}