[논문 리뷰] MONAI: An open-source framework for deep learning in healthcare

M. Jorge Cardoso, Wenqi Li외 55명|arXiv (Cornell University)|2022. 11. 04.

Artificial Intelligence in Healthcare and Education인용 수 426

한 줄 요약

MONAI Core은 PyTorch 기반의 오픈 소스 프레임워크로, 건강 관리에서의 딥러닝을 위한 도메인 최적화된 컴포넌트, 트랜스폼, 네트워크, 워크플로우를 제공하며, 강한 커뮤니티와 컨소시엄의 지원을 받습니다.

ABSTRACT

Artificial Intelligence (AI) is having a tremendous impact across most areas of science. Applications of AI in healthcare have the potential to improve our ability to detect, diagnose, prognose, and intervene on human disease. For AI models to be used clinically, they need to be made safe, reproducible and robust, and the underlying software framework must be aware of the particularities (e.g. geometry, physiology, physics) of medical data being processed. This work introduces MONAI, a freely available, community-supported, and consortium-led PyTorch-based framework for deep learning in healthcare. MONAI extends PyTorch to support medical data, with a particular focus on imaging, and provide purpose-specific AI model architectures, transformations and utilities that streamline the development and deployment of medical AI models. MONAI follows best practices for software-development, providing an easy-to-use, robust, well-documented, and well-tested software framework. MONAI preserves the simple, additive, and compositional approach of its underlying PyTorch libraries. MONAI is being used by and receiving contributions from research, clinical and industrial teams from around the world, who are pursuing applications spanning nearly every aspect of healthcare.

연구 동기 및 목표

• 의료 분야에서의 딥러닝 설계 목표와 도전과제를 명확히 하고, 표준화되고 견고한 소프트웨어 프레임워크의 필요성을 설명한다.
• MONAI Core의 아키텍처, 설계 원칙, 그리고 PyTorch 생태계와의 통합 방식에 대해 설명한다.
• 의료 영상 파이프라인을 지원하는 도메인 특화 컴포넌트(트랜스폼, 데이터셋, 네트워크, 엔진)를 설명한다.
• 협업과 배치를 가능하게 하는 오픈 소스 전략, 거버넌스, 생태계(MONAI Label/Deploy/Consortium)를 강조한다.
• 의료 AI 연구 전반과 잠재적 임상 배치를 아우르는 사용 사례와 응용을 제시한다.

제안 방법

• MONAI Core를 PyTorch 기반의 선택적 프레임워크로 제시하고, PyTorch 생태계 및 훈련 루프용 Ignite와 통합한다.
• 데이터, 손실, 네트워크, 트랜스폼, 시각화, 지표, 최적화 알고리즘 등 핵심 모듈과 학습/추론을 위한 워크플로우 엔진/핸들러를 설명한다.
• 의료 영상용 물리 기반 및 가역적 변환을 포함한 도메인 특화 트랜스폼과 사전 기반의 데이터 연산을 상세히 다룬다.
• 확장 데이터세트 처리(MetaTensor, CacheDataset, PersistentDataset) 및 표준 의학 벤치마크에 대한 데이터세트 래퍼를 설명한다.
• 오픈 소스 전략(Apache-2.0), 커뮤니티 협력 및 주변 MONAI 구성 요소(Label, Deploy, Federated Learning, Education)을 개략적으로 설명한다.
• 훈련/추론 워크플로우, 분산 데이터-병렬 지원 및 PyTorch 분산, Horovod, XLA, SLURM와의 호환성을 논의한다.

실험 결과

연구 질문

• RQ1 MONAI Core는 딥러닝에서의 의료 영상의 고유한 데이터, 메타데이터, 워크플로우 요구사항을 어떻게 충족하나?
• RQ2 MONAI가 PyTorch 생태계에 어떤 방식으로 통합·확장되어 재현 가능하고 확장 가능한 의료 AI 개발을 가능하게 하나?
• RQ3 의료 AI 연구 및 배치를 간소화하기 위해 MONAI가 제공하는 도메인 특화 컴포넌트(트랜스폼, 데이터셋, 네트워크, 엔진)는 무엇인가?
• RQ4 MONAI의 오픈 소스 전략과 컨소시엄 거버넌스가 협업 및 연구를 임상 실무로의 이전을 어떻게 촉진하는가?

주요 결과

• MONAI Core는 데이터, 손실, 네트워크, 트랜스폼, 엔진, 지표에 걸친 모듈식, PyTorch 유사 컴포넌트를 제공하여 의료 AI 파이프라인을 지원한다.
• 물리 기반 및 가역적 변환을 포함한 도메인 특화 트랜스폼과 의료 메타데이터 및 변환 이력을 저장하는 MetaTensor를 도입한다.
• 프레임워크는 확장 데이터세트 유틸리티(CacheDataset, PersistentDataset)와 MedNIST 및 Medical Segmentation Decathlon용 데이터세트 래퍼를 제공하여 빠른 학습과 벤치마킹을 지원한다.
• MONAI 학습/추론 워크플로우는 Ignite 엔진을 특화 핸들링 및 기본 학습 유틸리티로 확장하여 분산 데이터-병렬 및 다양한 백엔드 통합을 지원한다.
• MONAI는 Apache-2.0 하에 오픈 소스이며, 수천 명의 사용자와 수백 명의 기여자로 구성된 큰 커뮤니티를 육성하고, 관련 프로젝트(MONAI Label, Deploy, Federated Learning, Education)를 포함한다.
• 설계는 PyTorch와의 호환성, 선택적 점진적 채택, 그리고 다른 의료 도구와의 원활한 협력을 강조하여 연구를 가속하고 잠재적 임상 배치를 촉진한다.