tutorials

tutorials

涵盖2D和3D分类、分割、回归及配准任务实例MONAI教程

本资源库包含详尽的MONAI教程,涵盖2D和3D分类、分割、回归及配准任务实例。教程演示如何使用Matplotlib和Jupyter Notebook在PyTorch和MONAI中进行医学图像处理和深度学习操作,并提供Colab环境下的GPU加速指南及数据处理和问题解决方法。教程还介绍了模型部署、实验管理、联邦学习和数字病理学实例,帮助用户掌握和应用MONAI功能。

MONAIPyTorchJupyter Notebook2D分割3D分割Github开源项目

MONAI 教程项目介绍

MONAI(Medical Open Network for AI)是一个专注于医疗影像的开源深度学习框架,而MONAI教程项目则提供了各类以MONAI为基础的教程和示例,帮助用户更好地学习和应用该框架。

要求

为了顺利运行大部分示例和教程,用户需要安装 matplotlibJupyter Notebook。这两者都可以通过以下命令安装:

python -m pip install -U pip python -m pip install -U matplotlib python -m pip install -U notebook

如果在运行过程中遇到可选的依赖库错误,用户可以参考MONAI的安装指南或者使用以下命令来安装所有可选依赖:

pip install -r https://raw.githubusercontent.com/Project-MONAI/MONAI/dev/requirements-dev.txt

大部分的教程可以直接在Google Colab中运行,用户只需单击“Open in Colab”按钮,然后将运行时类型更改为 GPU 以加速计算。具体步骤包括:在 Runtime 菜单中选择 Change runtime type,并在下拉菜单中选择 GPU,然后点击 SAVE

数据

某些教程可能需要额外的数据。用户需要自行检查这些数据集的内容和相关许可证,并确定其是否适合其计划用途。

疑问与问题

如果有关于使用MONAI的疑问,可以在MONAI主仓库的讨论标签中发起讨论。若遇到MONAI功能性问题,可以在主仓库中创建issue。如果是教程本身的运行问题,可以在该教程的仓库中创建issue。

成为贡献者

想要为MONAI教程项目贡献内容的用户,可以阅读项目中的贡献指导文件以获取详细说明。

教程和示例列表

  1. 2D分类:示例使用MedNIST数据集,适合初学者,展示了如何将MONAI的功能轻松集成到现有的PyTorch程序中。

  2. 2D分割:包括基于UNet和合成数据集的2D分割训练和评估示例,有字典和数组两种版本。

  3. 3D分类:使用DenseNet3D和不同数据集进行3D分类训练示例,使用PyTorch和Ignite框架。

  4. 3D回归:基于DenseNet3D的3D回归训练与评估示例。

  5. 3D分割:多种分割方法和框架的示例,从合成数据集到真实数据集的分割任务。

  6. 2D与3D注册:从简单的2D仿射注册到复杂的3D体积配准示例。

  7. 深度学习模型: 包括如何训练和运行推理的深层次编辑和深层增长模型。

  8. 部署: 演示了如何使用BentoML、Ray和Triton将MONAI网络作为Web服务部署。

  9. 实验管理: 使用Aim、MLFlow和ClearML等工具的实验管理示例。

  10. 联邦学习: 使用NVFlare、OpenFL和为特定挑战开发的联邦学习模型训练示例。

  11. 数字病理学: 在全切片图像上进行肿瘤检测、核分割和分类的任务示例。

  12. 加速: 各类加速训练和推理的方法与工具展示。

  13. 模型库: 展示如何使用现有的MONAI模型进行训练和推理。

  14. 计算机辅助干预: 从视频分割到内窥镜图像分类的应用示例。

  15. 模块: 涵盖了从数据预处理到网络训练的大量有用模块示例。

  16. 自监督学习: 利用未标注数据进行模型预训练及微调的示例。

  17. 生成模型: 介绍潜在扩散模型等生成模型在医疗影像中的应用。

  18. VISTA2D: 演示了如何使用MONAI框架和Segment Anything Model (SAM) 对细胞数据集进行训练。

MONAI 教程项目不仅提供丰富的实例教程,还涵盖了从基础知识到高级应用的不同层次,为用户学习和探索深度学习在医疗影像中的潜力提供了极大的便利和指导。

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多