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：用于图像分割的自动模型并行化大型深度网络#

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, 论文链接: https://arxiv.org/abs/2006.12575)

LAMP UNet

DiNTS：用于 3D 医学图像分割的可微神经网络拓扑搜索#

MONAI 集成了 DiNTS 模块，以支持更灵活的拓扑结构和联合二级搜索。它为搜索阶段提供了一种拓扑保证的离散化算法和离散化感知拓扑损失函数，以最小化离散化差距；同时提供了一种成本感知搜索方法，可以搜索具有不同 GPU 内存需求的 3D 网络。欲了解更多详情，请查看 DiNTS 教程。

在基于深度学习的数字病理全切片图像多实例学习中考虑依赖关系#

针对数字病理全切片图像 (WSI) 的分类，MONAI 引入了用于多实例学习的新转换和网络模块。其中包括用于在训练过程中显式考虑实例（图像切片）之间依赖关系的自注意力 Transformer 块。欲了解更多详情，请查看多实例学习教程。 multi-instance

自监督表征学习#

在此版本里程碑中，MONAI 开始探索自监督表征学习。Vision Transformer 已扩展为可以通过各种数据增强和正则化对比损失进行自监督重建任务学习。预训练骨干网络的权重可用于增强新型下游深度学习任务的性能。

教程展示了如何使用无标签数据通过自监督任务生成一组高质量的预训练权重，然后使用这些预训练权重在基于 Transformer 的 UNETR 上对全监督体积分割任务进行微调。

self-supervised

用于多器官分割任务的 Swin UNETR 模型#

针对 Swin UNETR: 用于 MRI 图像脑肿瘤语义分割的 Swin Transformers，MONAI 引入了使用 BTCV 挑战数据集进行多器官分割任务的新网络模块。Swin UNETR 的架构

swin-unetr

教程展示了基于 Swin UNETR 模型、DiceCE 损失函数、平均 Dice 等的多器官分割的典型流程。我们使用了在来自公开数据集的 5050 例 CT 扫描队列上进行 Swin UNETR 编码器（3D Swin Transformer）自监督预训练的权重。

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勾画的“智能”交互式工具，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