研究与应用亮点#

用于 COVID-19 肺炎病灶分割的 COPLE-Net#

重新实现了最初由以下作者提出的 COPLE-Net：

G. Wang, X. Liu, C. Li, Z. Xu, J. Ruan, H. Zhu, T. Meng, K. Li, N. Huang, S. Zhang. (2020) “A Noise-robust Framework for Automatic Segmentation of COVID-19 Pneumonia Lesions from CT Images.” IEEE Transactions on Medical Imaging. 2020. DOI: 10.1109/TMI.2020.3000314 coplenet

LAMP: 带有自动化模型并行化的大型深度网络用于图像分割#

重新实现了最初由以下作者提出的 LAMP 系统：

Wentao Zhu, Can Zhao, Wenqi Li, Holger Roth, Ziyue Xu, and Daguang Xu (2020) “LAMP: Large Deep Nets with Automated Model Parallelism for Image Segmentation.” MICCAI 2020 (Early Accept, paper link: https://arxiv.org/abs/2006.12575)

LAMP UNet

DiNTS: 可微神经网络拓扑搜索用于三维医学图像分割#

MONAI 集成了 DiNTS 模块，以支持更灵活的拓扑和联合两级搜索。它为搜索阶段提供了一种拓扑保证离散化算法和一种离散化感知拓扑损失，以最小化离散化差距，并提供一种成本使用感知搜索方法，可以搜索具有不同 GPU 内存需求的三维网络。更多详情，请查阅 DiNTS 教程。

解释深度学习基于多示例学习在全玻片成像中的依赖关系#

对于数字病理全玻片图像 (WSI) 分类，MONAI 引入了新的转换和网络模块用于多示例学习。其中包括自注意力 Transformer 块，用于在训练期间明确考虑示例（图像块）之间的依赖关系。更多详情，请查阅多示例学习教程。 multi-instance

自监督表示学习#

MONAI 在这个里程碑版本中开始探索自监督表示学习。Vision Transformer 已经扩展到通过各种数据增强和正则化对比损失来学习自监督重建任务。预训练骨干网络的权重可以用来增强下游新的深度学习任务的性能。

教程展示了如何使用无标注数据通过自监督任务生成一组良好的预训练权重，然后使用预训练权重在基于 Transformer 的 UNETR 上对完全监督的体素分割任务进行微调。

self-supervised

Swin UNETR 模型用于多器官分割任务#

对于Swin UNETR: Swin Transformers 用于 MRI 图像脑肿瘤的语义分割，MONAI 引入了新的网络模块，使用 BTCV 挑战数据集进行多器官分割任务。Swin UNETR 的架构

swin-unetr

教程展示了基于 Swin UNETR 模型、DiceCE 损失函数、Mean Dice 等的多器官分割典型流程。我们使用了来自公开数据集的 5050 个 CT 扫描队列上对 Swin UNETR 编码器（3D Swin Transformer）进行自监督预训练获得的权重。

用于交互式分割的 DeepGrow 模块#

重新实现了 DeepGrow 组件，这是一种基于深度学习的半自动分割方法，旨在成为医学图像中感兴趣区域描绘的“智能”交互工具，最初由以下作者提出：

Sakinis, Tomas, et al. “Interactive segmentation of medical images through fully convolutional neural networks.” arXiv preprint arXiv:1903.08205 (2019).

deepgrow scheme