访问官网
Github
文档
论文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 matplotlib 和 Jupyter 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
-
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。
-
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。
-
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。
-
3D回归：基于DenseNet3D的3D回归训练与评估示例。
-
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。
-
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。
-
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。
-
部署: 演示了如何使用BentoML、Ray和Triton将MONAI网络作为Web服务部署。
-
实验管理: 使用Aim、MLFlow和ClearML等工具的实验管理示例。
-
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。
-
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。
-
加速: 各类加速训练和推理的方法与工具展示。
-
模型库: 展示如何使用现有的MONAI模型进行训练和推理。
-
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。
-
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。
-
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。
-
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。
-
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。
