[论文解读] 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 426

一句话总结

MONAI Core 是一个基于 PyTorch 的开源框架，提供面向医疗保健深度学习的领域优化组件、变换、网络和工作流，拥有强大的社区和联盟支持。

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.

研究动机与目标

• 澄清医疗保健领域深度学习的设计目标和挑战，以及对标准化、健壮的软件框架的需求。
• 描述 MONAI Core 的体系结构、设计原则，以及它如何与 PyTorch 生态系统集成。
• 解释支持医学影像工作流的领域特定组件（变换、数据集、网络、引擎）。
• 突出开源策略、治理和生态系统（MONAI Label/Deploy/Consortium），以促进协作与部署。
• 展示跨越医疗保健 AI 研究和潜在临床部署的用例和应用。

提出的方法

• 将 MONAI Core 展示为一个基于 PyTorch 的、可选择加入的框架，它与 PyTorch 生态系统以及 Ignite 的训练循环集成。
• 描述核心模块（数据、损失、网络、变换、可视化、指标、优化器）以及用于训练和推理的工作流引擎/处理程序。
• 详细说明用于医学影像的领域特定变换，以及物理信息、可逆和基于字典的数据操作。
• 解释扩展的数据集处理（MetaTensor、CacheDataset、PersistentDataset）以及用于标准医学基准数据集的数据包装。
• 概述开源策略（Apache-2.0）、社区协作，以及周边 MONAI 组件（Label、Deploy、Federated Learning、Education）。
• 讨论训练/推理工作流、分布式数据并行支持，以及与 PyTorch 分布式、Horovod、XLA 和 SLURM 的兼容性。

实验结果

研究问题

• RQ1 MONAI Core 如何满足深度学习中医学影像独特的数据、元数据和工作流需求？
• RQ2 MONAI 如何与 PyTorch 生态系统集成并扩展，以实现可重复、可扩展的医疗保健 AI 开发？
• RQ3 MONAI 提供哪些领域特定组件（变换、数据集、网络、引擎）以简化医学 AI 的研究与部署？
• RQ4 MONAI 的开源策略与联盟治理如何促进协作以及将研究转化为临床实践？

主要发现

• MONAI Core 提供跨数据、损失、网络、变换、引擎和指标的模块化、类似 PyTorch 的组件，以支持医疗保健 AI 流水线。
• 它引入领域特定的变换（包括基于物理的和可逆变换）以及 MetaTensor，用于存储医学元数据和变换历史。
• 该框架提供扩展的数据集工具（CacheDataset、PersistentDataset）及 MedNIST 与 Medical Segmentation Decathlon 的数据包装，帮助快速训练与基准测试。
• MONAI 的训练/推理工作流在 Ignite 引擎上扩展了专门处理和默认训练实用工具，支持分布式数据并行和多种后端集成。
• MONAI 在 Apache-2.0 下开源，培养了拥有数千用户和数百贡献者的庞大社区，并包含相关项目（MONAI Label、Deploy、Federated Learning、Education）。
• 设计强调与 PyTorch 的兼容性、可选择性渐进采用，以及与其他医疗保健工具的无缝协作，加速研究和潜在临床部署。