MONAI : What’s new in 1.0 (翻訳/解説)
翻訳 : (株)クラスキャット セールスインフォメーション
作成日時 : 01/16/2023
* 本ページは、MONAI の以下のドキュメントを翻訳した上で適宜、補足説明したものです：
* サンプルコードの動作確認はしておりますが、必要な場合には適宜、追加改変しています。
* ご自由にリンクを張って頂いてかまいませんが、sales-info@classcat.com までご一報いただけると嬉しいです。
- 人工知能研究開発支援
- 人工知能研修サービス(経営者層向けオンサイト研修)
- テクニカルコンサルティングサービス
- 実証実験(プロトタイプ構築)
- アプリケーションへの実装
- 人工知能研修サービス
- PoC(概念実証)を失敗させないための支援
- お住まいの地域に関係なく Web ブラウザからご参加頂けます。事前登録 が必要ですのでご注意ください。
◆ お問合せ : 本件に関するお問い合わせ先は下記までお願いいたします。
- 株式会社クラスキャット セールス・マーケティング本部 セールス・インフォメーション
- sales-info@classcat.com ; Web: www.classcat.com ; ClassCatJP
MONAI : What’s new in 1.0
- モデル Zoo
- Auto3DSeg
- 連合学習クライアント
- デジタルパソロジー・ワークフロー用の MetaTensor サポート
- 高速化 MRI 再構成
モデル Zoo
MONAI モデル Zoo は研究者やデータサイエンティストがコミュニティからの最新の素晴らしいモデルを使用し共有するための場所です。MONAI バンドル形式 の利用は任意の MONAI フレームワーク（Core、Label、Deploy）で任意のモデルを素早く使用し始めることを簡単にします。また、貴方のモデルを提供する ことに関心があれば、contributing ガイドラインをご覧ください、これはモデルを提供するためのプロセスと要件を案内します。モデルを使用する方法の詳細は、チュートリアル を見てください。
Auto3DSeg
Auto3DSeg は大規模な 3D 医用画像セグメンテーションのための包括的なソリューションです。それは最先端の性能を持つアルゴリズムを効率的に開発して配備するために MONAI と GPU の最新の進歩を活用しています。それはデータセットの強度、次元性と解像度のようなグローバルな情報を最初に分析してから、データ統計と アルゴリズム・テンプレート に基づいて MONAI バンドル形式でアルゴリズムを生成します。次に、すべてのアルゴリズムはベストな検証性能を持つチェックポイントを得るためにモデル訓練を開始します。最後に、アンサンブル・モジュールが訓練済みチェックポイントのランク付けによりアルゴリズムを選択し、アンサンブル予測を作成します。
このソリューションは初心者から上級研究者に対して異なるレベルのユーザ経験を提供します。それは様々なモダリティの大規模 3D 医用画像データセットでテストされています。
連合学習クライアント
MONAI は連合学習 (FL) クライアント・アルゴリズム API を含むようになりました、これは任意の連合学習プラットフォームで実行されるアルゴリズムを定義するために抽象基底クラスとして公開されています。NVIDIA により開発された連合学習プラットフォーム、NVIDIA FLARE はこれらの新しい API を使用して 統合ピース を既に構築しています。新しい連合学習 API により、MONAI バンドルはシームレスに連合パラダイムに拡張され、シングル- or マルチ-GPU 訓練を使用して実行できます。MONAI FL クライアントはまたバンドル config で定義されたデータセット上でデータ統計の要約 (e.g., 強度ヒストグラム) を計算することを可能にします。これらは例えば NVIDIA FLARE の連合統計オペレータを使用して、FL サーバで共有して可視化することができます、サンプルは ここ をご覧ください。
私たちは他の連合学習ツールキットが MONAI FL API を使用して統合し、医用画像の collaborative (協調, 共同) 学習のための共通基盤を構築することを歓迎します。
デジタルパソロジー・ワークフロー用の MetaTensor サポート
このリリースでは、すべてのデジタルパソロジー・コンポーネントで MetaTensor をサポートし、将来的な開発がそれらから恩恵を受けられることを確実にします。MONAI パソロジー・ワーキンググループの支援で、WSI から抽出された画像のパッチのメタデータ属性のセットを標準化して、再現性を保証して標準的な属性セットに依存することにより機能を拡張することができました。上図はすべてのパソロジーメタデータ属性とそれらの MetaTensors との関係性を示しています。チュートリアルとサンプル を見てください。
高速化 MRI 再構成
このリリースは様々なポピュラーな高速化 MRI 再構成ワークフローのために初期コンポーネントを含みます。それらの多くは汎用目的ツールで、例えば SSIMLoss 関数です。幾つかの新しい機能はタスク固有で、例えば FastMRIReader です。
詳細は、このタスクのためのベースラインモデルを使用するためには このチュートリアル を、最先端モデルを使用するためには このチュートリアル をご覧ください。
以上
