MONAI 更新到0.9版本了,你用的是多少呢?我们来看看这次有什么重要更新。
- MONAI Bundle:MONAI 捆绑包
- Object detection in medical images:医学图像中的对象检测
- Swin Transformers for 3D medical image analysis:用于 3D 医学图像分析的 Swin Transformers
- New interactive segmentation components:新的交互式细分组件
- MetaTensor API preview:MetaTensor API 预览
MONAI Bundle
MONAI Bundle 格式定义了可移植描述的深度学习模型(文档)。捆绑包包括模型开发生命周期中必需的关键信息,并允许用户和程序了解模型的目的和用途。 Bundle 和 monai.bundle API 的主要优点是:
- Standardized packaging format for storing and sharing models,
用于存储和共享模型的标准化包装格式 - Structured configuration files for fast prototyping of deep learning workflows,
用于深度学习工作流程快速原型设计的结构化配置文件, - Easy to program APIs to separate deep learning hyperparameter settings from the Python code,
易于编程 API 以将深度学习超参数设置与 Python 代码分开, - Flexible config components to allow for different low-level Python implementations,
灵活的配置组件以允许不同的低级 Python 实现, - Help to decouple the component details from higher level learning paradigms such as federated learning and AutoML.
帮助将组件细节与更高级别的学习范式(例如联邦学习和 AutoML)解耦、
本部分适合对代码编写有高要求的技术大佬,我这种小白看的不是很明白。更多详细教程MONAI bundle
Object detection in medical images
此版本包括对象本地化和分类工作流的基本组件。最初的开发包括 2D 和 3D 边界框处理、RetinaNet 的网络块和架构,以及基于坐标的预处理、硬负采样器等常用实用模块。
做对象检查的可以关注这部分更新。
Swin Transformers for 3D medical image analysis
新增了 Swin UNETR 模型在 MONAI 中实现。本教程展示了使用这种最先进模型的多器官分割示例,其中权重来自对来自公开数据集的 5050 次 CT 扫描的 Swin UNETR 编码器(3D Swin Transformer)的自我监督预训练。
实现细节在MOANI swin UNETR
最近在关注 transformer 分割的童鞋可以尝试跑一下代码。
New interactive segmentation components
DeepEdit 和 NuClick 等深度学习交互式分割工作流程中的新组件已集成到核心代码库中。它们是 MONAILabel 中最新功能的基本构建块。
有用 MONAI label 标注数据的了解一下,我一直没看懂怎么使用
标签:0.9,learning,Swin,MONAI,MetaTensor,API,版本,3D From: https://blog.51cto.com/u_16159492/6481738