0.8 版本的新特性

• 可微分神经网络拓扑搜索

• 用于数字病理 WSI 分析的多实例学习

• 自监督表示学习

• monai.transforms 的主要可用性改进

可微分神经网络拓扑搜索

MONAI 集成了 DiNTS：用于 3D 医学图像分割的可微分神经网络拓扑搜索。该神经架构搜索模块支持灵活的多路径拓扑搜索，具有高搜索效率和有限的内存使用量。

它提供了拓扑保证的离散化算法和搜索阶段的离散化感知拓扑损失，以最小化离散化差距。该模块具有内存使用感知能力，能够搜索具有不同 GPU 内存需求的 3D 网络。欲了解更多详情，请查看 DiNTS 教程。

用于数字病理 WSI 分析的多实例学习

对于数字病理全玻片图像 (WSI) 的分类，MONAI 引入了新的变换和网络模块用于多实例学习。其中包括自注意力 transformer 块，用于在训练期间明确考虑实例（图像块）之间的依赖关系。欲了解更多详情，请查看多实例学习教程。

自监督表示学习

MONAI 在此里程碑版本中开始探索自监督表示学习。Vision Transformer 已得到扩展，可以通过各种数据增强和正则化对比损失从自监督重建任务中学习。预训练主干网络的权重可用于增强新的下游深度学习任务的性能。

该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好的预训练权重，然后使用这些预训练权重在基于 transformer 的 UNETR 上执行全监督体积分割任务的微调。

Major usability improvements in monai.transforms

monai.transforms 在 0.8 版本中现在更加灵活易用。

• 改进了输入类型处理和后端 API，以尽可能支持 NumPy 和 PyTorch。

• 文档中添加了可视化示例，以说明各种图像处理的效果。

• 提供了新的可视化工具并进行了增强，以便通过可视化体积图像输入、分割图和中间特征图等来快速进行模型定性评估。TensorBoard 工具、matshow3d 和 blend_images 的可视化教程现已提供。