社区
工作组
由研究人员和工程师组成的小型团队，负责 MONAI 的特定领域：超声、联邦学习、眼科、部署、人机交互。每个小组定期开会，发布代码和出版物，并向咨询委员会报告。
每个工作组均由组长领导，组长同时担任 MONAI 咨询委员会成员，以确保各小组与 MONAI 的整体使命保持一致。
导航
寻找您的小组
直接跳转至某个工作组，或在下方浏览所有小组，了解其使命和领导架构。
我们的团队
所有工作组
从技术实现到临床应用，我们的工作组确保 MONAI 始终处于医疗保健 AI 创新的最前沿。
部署工作组
该工作组旨在通过将 AI 模型引入医疗应用和临床工作流，弥合从研发到临床生产环境之间的现有差距，最终目标是改善患者护理。重点包括定义开放的高级功能架构，并确定需要哪些组件和标准 API。通过与 MONAI 开发者合作，该小组将从需求阶段迈向已实现的解决方案。
小组负责人
Barbaros Selnur Erdal
梅奥诊所 (Mayo Clinic)
David Bericat
NVIDIA
Haris Shuaib
盖伊和圣托马斯 NHS 基金会信托 (Guy's and St Thomas' NHS Foundation Trust)
开发者委员会工作组
该工作组旨在通过协调开发工作并确保高质量的代码标准，建立并保持 MONAI Core 的技术卓越性。重点包括监督架构决策、制定开发指南以及维护技术文档，最终目标是为医学影像 AI 的研究与开发创建一个可持续的框架。通过促进贡献者之间的协作，该小组确保了代码库中最佳实践的统一实施。
小组负责人
Nic Ma
NVIDIA
Eric Kerfoot
伦敦国王学院 (King's College London)
Yun Liu
NVIDIA
教育工作组
该工作组旨在通过全面的教育资源和培训材料，加速 AI 在医学影像领域的应用。重点包括开发结构化的学习路径、动手教程和实践练习，最终目标是使研究人员和临床医生能够在其工作中有效地利用 MONAI。通过为不同技能水平的人员创建易于获取的内容，该小组有助于弥合医学影像 AI 领域的知识鸿沟。
小组负责人
Eric Kerfoot
伦敦国王学院 (King's College London)
Marc Modat
伦敦国王学院 (King's College London)
评估与基准测试工作组
MONAI 评估与基准测试工作组旨在为医学图像分析方法的评估和基准测试提供指南、基础设施和实用工具。其重点是引导社区识别并采用评估与基准测试的最佳实践，并寻找提高可重复性的切实解决方案。
小组负责人
Annika Reinke
DKFZ
Carole Sudre
UCL
数据质量与联邦学习工作组
该工作组旨在通过安全高效的联邦学习实现方案，推动协作式医疗 AI 研究。重点包括制定标准化工作流、确保数据兼容性，以及创建模块化组件，最终目标是在保护数据隐私的前提下，实现跨机构的分布式学习。通过建立联邦学习的最佳实践，该小组促进了医疗 AI 研究的跨机构合作。
小组负责人
Holger Roth
NVIDIA
Sai Praneeth Karimireddy
USC (南加州大学)
人机交互工作组
该工作组旨在通过定义明确的接口和社区驱动的开发，推进、标准化并支持人机交互周期。重点包括开发用于 AI 提示、不确定性交流和标注反馈过程的标准 API，最终目标是创建可复用的交互式 AI 工作流。通过在放射学、病理学和外科等多个领域推动社区驱动的规范和实现，该小组实现了 AI 在云端、本地和 HPC 环境中的高效部署。
小组负责人
Ralf Floca 博士
DKFZ
Saad Nadeem 博士
纪念斯隆凯特琳癌症中心 (Memorial Sloan Kettering Cancer Center)
Bruce Hashemian
NVIDIA
眼科工作组
该工作组旨在通过专业工具和算法，推动 AI 在眼科领域的应用。重点包括开发各种眼科成像模式的分析方法、创建标注工具，以及构建预测模型，最终目标是改善眼病的诊断和治疗。通过利用 MONAI 的功能，该小组加速了眼科图像分析领域的创新。
小组负责人
Jayashree Kalpathy-Cramer
科罗拉多大学 (University of Colorado)
Aaron Lee
华盛顿大学 (University of Washington)
推广与应用工作组
该工作组旨在扩大 MONAI 在医学影像社区中的影响力和覆盖范围。重点包括组织技术培训、促进社区参与以及开发基础设施，最终目标是将 MONAI 打造为领先的医学影像 AI 开源平台。通过构建一个包容且透明的社区，该小组确保了 MONAI 的可持续增长和应用。
小组负责人
Michael Zephyr
NVIDIA
超声工作组
该工作组将专注于在 MONAI 生态系统中实现可重复、可扩展的超声 AI 开发。主要优先事项包括：统一数据格式（例如 B 模式超声的 DICOM）；支持数据流（例如射频信号）；标准化常见超声任务的标注格式和标记协议；以及定义用于训练、推理、评估和部署的可重用流水线。短期和长期优先事项以及重点临床应用将由小组成员确定。通过与 MONAI 开发者合作，该小组将从需求阶段迈向已实现的解决方案。
小组负责人
Tina Kapur
布列根和妇女医院，哈佛医学院 (Brigham and Women's Hospital, Harvard Medical School)
Stephen Aylward
NVIDIA