0.9 版本的新功能

• MONAI Bundle

• 医学图像中的目标检测

• 用于 3D 医学图像分析的 Swin Transformer

• 新的交互式分割组件

• MetaTensor API 预览

MONAI Bundle

MONAI Bundle 格式定义了深度学习模型的可移植描述（文档）。Bundle 包含了模型开发生命周期中必要的关键信息，并允许用户和程序理解模型的目的和用法。Bundle 和 monai.bundle API 的主要优势在于

• 存储和共享模型的标准化打包格式，

• 用于快速构建深度学习工作流的结构化配置文件，

• 易于编程的 API，将深度学习超参数设置与 Python 代码分离，

• 灵活的配置组件，允许使用不同的底层 Python 实现，

• 有助于将组件细节与更高层级的学习范式（如联邦学习和 AutoML）解耦。

更多详情请参阅教程。

医学图像中的目标检测

此版本包含对象定位和分类工作流程的基本组件。最初的开发包括 2D 和 3D 边界框处理、RetinaNet 的网络块和架构，以及坐标预处理、难负样本采样器等通用工具模块。

特定应用的模块可在 monai.apps.detection 中找到。

用于 3D 医学图像分析的 Swin Transformer

Swin UNETR 模型现已在 MONAI 中实现。本教程展示了使用此最先进模型进行多器官分割的示例，其权重来自于在 5050 个公开数据集的 CT 扫描队列上对 Swin UNETR 编码器（3D Swin Transformer）进行的自监督预训练。研究贡献条目包含了更多技术细节。

新的交互式分割组件

来自深度学习交互式分割工作流程的新组件，例如 DeepEdit 和 NuClick，已被集成到核心代码库中。它们构成了 MONAILabel 的最新功能的基础构建块。

MetaTensor API 预览

与主要影像模态相关的元数据在许多生物医学应用中非常重要，特别是对于 MONAI 一直关注的数据驱动方法。从本次发布开始，我们对 MONAI 中的数据表示进行了重大重构。第一步，核心数据结构 MetaTensor 和 MetaObj 已作为功能预览实现。功能分支上的进一步开发将在未来的里程碑版本中提供。