研发工具
MONAI Core 提供了一套全面的工具包，连接了研究创新与临床应用。我们的工具专为推动医学 AI 边界的研究人员和寻求实用解决方案的临床医生设计。
医学专用变换
为 2D、3D 和 4D 医疗影像数据优化
智能缓存，数据加载速度提高 10 倍
可复现的流水线，支持确定性训练
内置支持 DICOM、NIFTI 和 PNG/JPEG 格式
最先进的模型
VISTA-3D：领先的 3D 分割模型
31+ 个预训练模型，可供微调
易于模型定制和扩展
使用 Auto3DSeg 实现自动化模型选择
研究工作流
实验跟踪和版本控制
使用 TensorBoard 进行实时可视化
内置支持多 GPU 训练
自动化超参数调优
模块化组件
MONAI Core 基于 PyTorch 构建，提供了可组合的变换、标准化的接口和经过验证的实现。您可以只导入所需的功能，或使用我们的端到端工作流。
快速安装
pip install monai
示例用法
from monai.transforms import ( Compose, LoadImage, ScaleIntensity, AddChannel ) # 定义用于图像预处理的变换 transforms = Compose([ LoadImage(image_only=True), AddChannel(), ScaleIntensity() ]) # 对图像应用变换 image = transforms(image_path)
Auto3DSeg：最先进的医学分割
使用 MONAI 的自动化解决方案，为初学者和专家用户轻松实现 3D 医疗影像分割领域的先进性能。
主要特性
数据集分析
自动分析数据集的强度、大小和间距，实现最优预处理。
算法生成
根据数据评估自动配置算法文件夹。
GPU 优化
内置 GPU 支持，加速训练、验证和推理。
模型集成
集成多个模型，提高准确性和可靠性。
竞赛成果
MICCAI 2023 挑战赛
- 在 BraTS 2023 中多次获得第一名
- 在 KiTS 2023 中获得第一名（肾脏分割）
- 在 SEG.A. 2023 中获得第一名（主动脉分割）
- 在 MVSEG 2023 中获得第一名（二尖瓣）
研究影响
MONAI Core 受到全球研究人员的信任，为医学 AI 领域的突破性发现提供支持。
研究出版物
已有超过 1500 篇同行评审论文使用 MONAI 发表，推动了医学 AI 领域的发展。
1500+
已发表论文
竞赛成功
基于 MONAI 的解决方案在众多医疗影像挑战赛和竞赛中获胜。
17
挑战赛获胜
预训练模型
访问不断增长的预训练模型集合，适用于各种医疗影像任务。
31
模型库模型
如何引用 MONAI Core
如果您在研究中使用 MONAI，请引用我们的论文
@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}
}