[論文レビュー] MONAI: An open-source framework for deep learning in healthcare

M. Jorge Cardoso, Wenqi Li+55 more|arXiv (Cornell University)|Nov 4, 2022

Artificial Intelligence in Healthcare and Education被引用数 426

ひとこと要約

MONAI Core は PyTorch ベースのオープンソースフレームワークで、医療分野の深層学習のためのドメイン最適化されたコンポーネント、変換、ネットワーク、ワークフローを提供し、強力なコミュニティとコンソーシアムの支援を受けている。

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.

研究の動機と目的

• 医療分野における深層学習の設計目標と課題、および標準化された頑健なソフトウェアフレームワークの必要性を明確にする。
• MONAI Core のアーキテクチャ、設計原則、および PyTorch エコシステムへの統合方法を説明する。
• 医用画像処理パイプラインを支えるドメイン特化コンポーネント（ transforms、datasets、networks、engines）を説明する。
• 協力とデプロイを可能にするオープンソース戦略、ガバナンス、およびエコシステム（MONAI Label/Deploy/Consortium）を強調する。
• 医療AI研究全体と潜在的な臨床デプロイメントにおけるユースケースと応用例を示す。

提案手法

• MONAI Core を PyTorch ベースの、オプトイン型フレームワークとして提示し、PyTorch エコシステムおよびトレーニングループ用の Ignite と統合する。
• コアモジュール（data、losses、networks、transforms、visualization、metrics、optimizers）と訓練・推論のためのワークフローエンジン/ハンドラを説明する。
• 医用画像に対する物理情報に基づく、可逆、辞書ベースのデータ操作を含むドメイン特化の transforms を詳述する。
• 拡張データセット処理（MetaTensor、CacheDataset、PersistentDataset）と標準的な医用ベンチマークのデータセットラッパーを説明する。
• オープンソース戦略（Apache-2.0）、コミュニティの協力、および周辺の MONAI コンポーネント（Label、Deploy、Federated Learning、Education）を概説する。
• トレーニング/推論ワークフロー、分散データ並列サポート、PyTorch distributed、Horovod、XLA、SLURM との互換性について議論する。

実験結果

リサーチクエスチョン

• RQ1 MONAI Core は深層学習における医用画像の独自のデータ、メタデータ、ワークフロー要件にどのように対応するか。
• RQ2 MONAI はどのように PyTorch エコシステムと統合・拡張して、再現性のあるスケーラブルな医療AI開発を実現するのか。
• RQ3 医療AI研究とデプロイを合理化するために MONAI が提供するドメイン特化コンポーネント（transforms、datasets、networks、engines）は何か。
• RQ4 MONAI のオープンソース戦略とコンソーシアムのガバナンスは、協力と研究の臨床実践への翻訳をどのように促進するか。

主な発見

• MONAI Core はデータ、losses、networks、transforms、engines、metrics にわたるモジュラーな PyTorch 風コンポーネントを提供し、医療AIパイプラインを支援する。
• 物理ベースおよび可逆変換を含むドメイン特化の transforms と、医療メタデータと変換履歴を格納する MetaTensor を導入する。
• 拡張データセットユーティリティ（CacheDataset、PersistentDataset）と MedNIST および Medical Segmentation Decathlon のデータセットラッパーを提供し、迅速な訓練とベンチマークを支援する。
• MONAI の訓練/推論ワークフローは Ignite エンジンを拡張し、専門的な処理とデフォルトの訓練ユーティリティを提供、分散データ並列およびさまざまなバックエンド統合をサポートする。
• MONAI は Apache-2.0 の下でオープンソースであり、何千人ものユーザーと数百の貢献者からなる大規模なコミュニティを育成し、関連プロジェクト（MONAI Label、Deploy、Federated Learning、Education）を含む。
• 設計は PyTorch との互換性、段階的なオプトイン導入、他のヘルスケアツールとのシームレスな協力を強調し、研究の促進と潜在的な臨床デプロイを加速する。