1.1 中的新特性

• 数字病理工作流程

• MONAI bundle 的实验管理

• Auto3dSeg 增强功能

• MONAI 模型库中的新模型

• 最先进的 SurgToolLoc 解决方案

数字病理工作流程

Hover-Net 是一种用于同时对多组织组织学图像中的细胞核进行分割和分类的模型（Graham 等人，Medical Image Analysis，2019）。我们在 MONAI 中添加了对该模型的支持，通过实现几个新组件、增强现有组件以及提供用于训练、验证和推理的流水线和示例。

随着模块的发布，新的数字病理分析教程也已提供

• 基于 MONAI 工作流程的用于训练、验证和推理的HoVerNet 流水线

• 用于训练、验证和推理的HoVerNet 教程

• NuClick（用于病理学的交互式标注）教程，用于训练和推理

• 细胞核分类教程，用于训练和推理

MONAI bundle 的实验管理

在此版本中，实验管理功能已与 MONAI bundle 集成。它提供了管理端到端模型 bundle 生命周期所需的基本 API。用户可以通过例如在训练或推理命令后附加 --tracking "mlflow" 来启用基于 MLFlow 的管理，从而开始跟踪实验。默认情况下，MLFlow 将跟踪执行的 bundle 配置、模型质量度量以及源代码版本。更多详细信息，请参阅教程。

Auto3dSeg 增强功能

Auto3DSeg 在可用性和性能方面都增加了多项改进。

• 增加了多模态支持，并将其应用于 HECKTOR22 挑战数据集的自动化分割，该数据集包含各种分辨率和尺寸的输入 3D CT 和 PET 图像。MONAI 教程中提供了在 HECKTOR22 挑战数据集上运行 Auto3dSeg 的教程示例。该教程基于HECKTOR22 挑战赛的第一名解决方案。

• 新的改进版 Segresnet Algo 现在可在 AutoRunner 中使用。在此版本中，数据缓存更有效，预处理变换更灵活。工作流程进度，包括步骤的计时，都会写入控制台输出和 YAML 文件。

• 可以根据使用的 GPU 设备实现模型训练配置的自动定制和优化。此功能侧重于确定参数，包括模型训练的批量大小和滑动窗口推理，以及滑动窗口推理中数据的分配设备。有关如何启用它的更多详细信息，请参阅教程。

MONAI 模型库中的新模型

新的预训练模型正在创建并在模型库中发布。值得注意的是，

• mednist_reg 模型演示了如何在 MONAI bundle 格式中构建图像配准工作流程。该模型基于registration_mednist 教程，使用 ResNet 和空间变换器进行手部 X 光图像配准，

• pathology_nuclei_segmentation_and_classification, pathology_nuclick_annotation 和 pathology_nuclei_classification bundle 是为数字病理图像分析构建的。

有关如何使用这些模型的更多详细信息，请参阅教程。

最先进的 SurgToolLoc 解决方案

SurgToolLoc 是 EndoVis 挑战的一部分，该挑战在 MICCAI 2022 上举行。该挑战专注于内窥镜视频分析，分为 (1) 完全监督工具分类和 (2) 弱监督工具分类/定位。NVIDIA 团队在两个类别中均获得第三名并赢得了奖项。该解决方案的核心组件已在 MONAI 中发布。