用于临床工作流程的标注工具
MONAI Label 将 AI 辅助与临床专业知识相结合，提供快速、准确且一致的标注。我们的工具适应您的工作流程，同时不断从您的专业知识中学习。
AI 辅助标注
用于更快标注的交互式 AI 模型
用于模型改进的主动学习
实时 AI 辅助
临床集成
集成 3D Slicer, MITK, OHIF viewer
集成 DICOM 和 PACS
支持多用户协作
可扩展平台
可定制的标注策略
灵活的插件架构
易于与现有工具集成
特定领域的解决方案
MONAI Label 提供针对各种医学影像领域优化的专业解决方案。无论您处理的是 3D 体积、显微镜玻片还是视频序列，我们的工具都能适应您的特定需求。
开始使用 MONAI Label
几分钟即可开始使用 MONAI Label。我们的分步指南将帮助您设置环境并启动您的第一个 AI 辅助标注服务器。设置完成后，您就可以连接到您首选的查看器并开始使用 AI 辅助进行标注了。
1
安装 MONAI Label
通过 pip 包管理器安装
pip install monailabel
2
下载示例应用
获取预配置的放射学应用
monailabel apps --download \ --name radiology \ --output apps
3
下载示例数据集
获取医学影像示例数据
monailabel datasets --download \ --name Task09_Spleen \ --output datasets
4
启动服务器
使用您的配置启动 MONAI Label 服务器
monailabel start_server \ --app apps/radiology \ --studies datasets/Task09_Spleen/imagesTr \ --conf models deepedit
智能主动学习
MONAI Label 的智能主动学习系统在保持高准确性的同时显著减少标注时间。我们的先进算法识别信息量最大的样本并持续提高模型性能。
50-80%
更快的标注时间
快 2 倍
更快的模型收敛
90%
使用更少标注达到高准确性
智能样本选择
- 不确定性采样识别有挑战性的案例
- 多样性指标确保训练数据的多样性
- 模型集成不一致性检测
持续模型改进
- 标注期间的实时模型更新
- 从预训练模型进行迁移学习
- 支持 UNet、UNETR 和 SwinUNETR
质量保证
- 实时验证指标
- 预测的不确定性估计
- 自动化标注质量检查
资源与培训
通过我们全面的学习资源和培训材料开始使用 MONAI Label。
如何引用 MONAI Label
如果您在研究中使用 MONAI Label，请引用我们的论文
@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}
}
参与社区
加入我们由研究人员、开发者和医疗专业人士组成的不断壮大的社区。获取帮助、分享您的工作，并为推动医学图像标注发展做出贡献。考虑加入我们的人机交互工作组，帮助标准化和改进 AI 辅助标注工作流程。