MONAI 此次更新大部分基于 MONAI Bundle。在分割模块，新增了一个Auto3DSegapp, 将数据处理，模型选择，训练和评估等集合在一起。此外还提供了联邦学习，为数字病理图像新增了MetaTensor,提供更多元数据属性。在MRI数据重建模块，也新增了一些功能。
接下来，具体了解一下，有没有你感兴趣的内容~
内容概览
文章目录
- Model Zoo
- Auto3DSeg
- 联邦学习
- 新增数字病理图像工作流
- 加速 MRI 重建
Model Zoo
MONAI model zoo 是研究人员和数据科学家使用和分享来自社区的最新和优秀模型的地方。利用 MONAI Bundle 格式(MONAI 0.9版本更新内容) 可以轻松快速地开始使用任何模型和任何 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，该指南将引导您完成提交模型的流程和要求。有关如何使用模型的更多详细信息，请参阅教程。
使用 Bundle 格式训练代码示例
python -m monai.bundle run training \
--meta_file configs/metadata.json \
--config_file configs/train.json \
--logging_file configs/logging.conf似乎只需要配置所需的参数即可开始训练，没研究过，不太懂~
Auto3DSeg
Auto3DSeg 是用于大规模 3D 医学图像分割的综合解决方案。它利用 MONAI 和 GPU 的最新进展来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强度、维度和分辨率等全局信息，然后根据数据统计和算法模板生成 MONAI bundle 格式的算法。接下来，所有算法都会启动模型训练以获得具有最佳验证性能的checkpoints。最后，集成模块通过对训练过的checkpoints进行排名来选择算法并创建集成预测。
使用的算法模板包括dints, segresnet, segresnet2d, swinunetr, 更多细节参见算法模板
该解决方案为初学者和高级研究人员提供不同级别的用户体验。它已经在不同模式的大规模 3D 医学成像数据集上进行了测试。
联邦学习
MONAI 现在包括联邦学习（Federated Learning Client）客户端算法 API，这些 API 作为抽象基类公开，用于定义要在任何联邦学习平台上运行的算法。 NVIDIA 开发的联邦学习平台 NVIDIA FLARE 已经使用这些新的 API 构建了集成块。借助新的联邦学习 API，MONAI Bundle可以无缝扩展到联邦范式。我们欢迎其他联合学习工具包与 MONAI FL API 集成，为医学成像中的协作学习建立共同基础。
新增数字病理图像工作流
在此版本中，所有数字病理组件中都支持 MetaTensor，并确保未来的开发可以从中受益。在 MONAI 病理学工作组的帮助下，我们为从 WSI 提取的图像补丁标准化了一组元数据属性，以通过依赖一组标准属性来确保可重复性和增强功能。上图显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 Digital Pathology Workflows。
加速 MRI 重建
此版本包括各种流行的加速 MRI 重建工作流程的初始组件。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。