1.0 版本新特性#
模型动物园
Auto3DSeg
联邦学习客户端
数字病理工作流的 MetaTensor 支持
加速 MRI 重建
模型动物园#
MONAI 模型动物园是研究人员和数据科学家使用和分享社区最新最佳模型的场所。利用 MONAI Bundle 格式 可以轻松快速地开始使用任何模型，无论使用何种 MONAI 框架（Core、Label 或 Deploy）。或者，如果您有兴趣贡献您的模型，请查看我们的贡献指南，其中详细介绍了提交模型的过程和要求。有关如何使用模型的更多详细信息，请参阅教程。
Auto3DSeg#
Auto3DSeg 是一个针对大规模 3D 医学图像分割的综合解决方案。它利用 MONAI 和 GPU 的最新进展，有效地开发和部署具有最先进性能的算法。它首先分析数据集的全局信息，如强度、维度和分辨率，然后基于数据统计和算法模板以 MONAI bundle 格式生成算法。接下来，所有算法开始模型训练，以获得具有最佳验证性能的检查点。最后，集成模块通过对训练过的检查点进行排名来选择算法，并创建集成预测。
该解决方案为初学者和高级研究人员提供了不同级别的用户体验。它已在不同模态的大规模 3D 医学影像数据集上进行了测试。
联邦学习客户端#
MONAI 现在包含联邦学习 (FL) 客户端算法 API，这些 API 被公开为抽象基类，用于定义可在任何联邦学习平台上运行的算法。NVIDIA FLARE 是由 NVIDIA 开发的联邦学习平台，已经利用这些新的 API 构建了集成部分。借助新的联邦学习 API，MONAI bundles 可以无缝扩展到联邦范式，并使用单 GPU 或多 GPU 训练执行。MONAI FL 客户端还允许计算 bundle 配置中定义的数据集的摘要数据统计信息（例如，强度直方图）。这些统计信息可以在 FL 服务器上共享和可视化，例如，使用 NVIDIA FLARE 的联邦统计运算符，更多示例请参见此处。
我们欢迎其他联邦学习工具包与 MONAI FL API 集成，共同为医学影像领域的协作学习奠定基础。
数字病理工作流的 MetaTensor 支持#
在此版本中，我们在所有数字病理组件中支持 MetaTensor，并确保未来的开发可以从中受益。在 MONAI Pathology 工作组的帮助下，我们为从 WSI 中提取的图像 patch 标准化了一组元数据属性，以确保可复现性并依靠标准属性集增强功能。上图展示了所有病理元数据属性及其与 MetaTensors 的关系。请参阅教程和示例。
加速 MRI 重建#
此版本包含针对各种流行的加速 MRI 重建工作流的初始组件。其中许多是通用工具，例如 SSIMLoss 函数。一些新功能是特定于任务的，例如 FastMRIReader。