1.2 版本的新特性#

  • Auto3DSeg 增强功能和基准测试

  • nnUNet 集成

  • TensorRT 优化的网络

  • MetricsReloaded 集成

  • 捆绑包工作流程 API

  • 模块化补丁推理

  • 用于预处理的懒惰重采样

Auto3DSeg 增强功能和基准测试#

Auto3DSeg 是一种用于 3D 医学图像分割的创新解决方案，它利用 MONAI 和 GPU 的进步来开发和部署算法。此版本中的主要改进包括

  • 训练管线中的几个新模块，例如基于 GPU 的自动化超参数缩放、早期停止机制和动态验证频率。

  • 所有与 GPU 相关的组件（包括数据分析、模型训练和模型集成）都已启用多 GPU 并行处理，以提升整体性能和功能。

  • 在包含 1,000 多张 CT 图像的 TotalSegmentator 数据集上对算法进行了计算效率基准测试。

  • 实现了多节点训练，显著减少了模型训练时间。

nnUNet 集成#

此集成引入了一个新类 nnUNetV2Runner，它利用 Python API 来简化模型训练、验证和集成，从而为用户简化了数据转换过程。来自各种公共数据集的基准测试结果证实 nnUNetV2Runner 性能符合预期。用户需要准备数据列表并创建 input.yaml 文件来安装和使用该系统。该框架还允许自动执行整个 nnU-Net 管线，从模型训练到集成，并可选择指定 epoch 数量。用户可以访问用于训练、数据集转换、数据预处理和其他组件的 API。请查看这些教程了解更多详细信息。

TensorRT 优化的网络#

NVIDIA TensorRT 是一个用于高性能深度学习推理的 SDK，它包含一个深度学习推理优化器和运行时，可为推理应用提供低延迟和高吞吐量。它可以加速 NVIDIA GPU 上的深度学习模型前向计算。在此版本中，将基于 TensorRT 引擎的 TorchScript 模型导出的 trt_export API 已集成到 MONAI 捆绑包中。用户可以尝试使用它导出捆绑包。MONAI 模型动物园中的一些捆绑包，如脾脏 CT 分割和内窥镜工具分割捆绑包，已经导出并进行了基准测试。有关如何导出和基准测试模型的更多详细信息，请参阅此教程。

MetricsReloaded 集成#

MetricsReloaded - 一个用于生物医学图像分析验证的新推荐框架 - 通过 https://github.com/Project-MONAI/MetricsReloaded 公开发布。此版本中包含二进制和分类指标计算模块，使用 MetricsReloaded 作为后端。示例脚本已提供，以演示其用法。

捆绑包工作流程 API#

BundleWorkflow 通过三个主要接口抽象了捆绑包的典型工作流程（如训练、评估和推理）：initialize、run 和 finalize，应用程序使用这些 API 来执行捆绑包。它统一了工作流程的必需属性和可选属性，下游应用程序可以调用组件而不是使用键解析配置。在此版本中，还创建了 ConfigWorkflow 类，用于基于 JSON 和 YAML 配置的捆绑包工作流程，以改进 Python 式可用性。

模块化补丁推理#

在补丁推理中，从图像中提取补丁，对这些补丁进行推理，然后合并输出以构建与输入图像对应的结果图像。尽管根据任务、模型和计算/内存资源的不同，补丁推理的具体实现可能有所不同，但分割、运行推理和合并结果的整个过程保持不变。在此版本中，我们为补丁推理创建了一个模块化设计，它定义了整个过程，同时抽象了如何将图像分割成补丁、如何对每个补丁进行预处理和后处理以及如何合并输出补丁的具体行为。

用于预处理的懒惰重采样#

懒惰重采样是用于预处理的一项新的实验性功能。它与 MONAI 变换协同工作，在内部将相邻的空间变换和裁剪变换合并为一个操作。这使得 MONAI 能够减少管线进行的数据重采样次数。根据预处理管线的不同，它可能

  • 减少处理时间

  • 减少处理内存

  • 减少重采样引入的附带伪影

  • 保留原本会被裁剪并用填充替换的数据

懒惰重采样管线可以使用 MONAI 和非 MONAI 变换的混合组合，因此只需在 MONAI Compose 实例上设置 lazy=True，它就可以适用于几乎所有现有管线。请参阅文档中的懒惰重采样主题了解更多详细信息。

在本页
显示源