MONAI : What’s new in 1.1 (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 : 01/17/2023

* 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：

• What’s new in 1.1

* 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。

MONAI : What’s new in 1.1

• デジタルパソロジー・ワークフロー
• MONAI バンドル用実験管理
• Auto3dSeg 拡張
• MONAI モデル Zoo の新しいモデル
• 最先端の SurgToolLoc ソリューション

デジタルパソロジー・ワークフロー

Hover は simultaneous segmentation and classification of nuclei in multi-tissue histology images (多組織の組織構造画像の核の同時に行われるセグメンテーションと分類) (Graham et al. Medical Image Analysis, 2019) のためのモデルです。私たちは、幾つかの新しいコンポーネントを実装し、既存のものを拡張し、そして訓練、検証と推論用のパイプラインとサンプルを提供することで MONAI でこのモデルのためのサポートを追加しました。

モジュールのリリースとともに、新しいデジタルパソロジー分析チュートリアルが利用可能になりました :

• 訓練、検証と推論用の MONAI ワークフローに基づく HoVerNet パイプライン
• 訓練、検証と推論用の HoVerNet チュートリアル
• 訓練 と 推論 用の NuClick (パソロジー用の対話的アノテーション) チュートリアル
• 訓練 と 推論 用の核分類チュートリアル

MONAI バンドル用実験管理

このリリースでは、実験管理機能が MONAI バンドルと統合されました。それは end-to-end なモデルバンドルのライフサイクルを管理するために必須な API を提供しています。例えば訓練 or 推論コマンドに MLFlow ベースの管理を有効にする –tracking “mlflow” を追加することで、ユーザは実験を追跡し始めることができます。デフォルトでは、MLFlow は実行されたバンドル config, モデル品質測定, そしてソースコードバージョン処理を追跡します。詳細は、チュートリアル を参照してください。

Auto3dSeg 拡張

ユーザビリティとパフォーマンスの両方の観点から Auto3DSeg に複数の改良が追加されました。

• HECKTOR22 チャレンジ・データセットの自動セグメンテーションのためにマルチ・モダリティのサポートが追加されて適用されました、これは様々な解像度とサイズの 3D CT と PET 画像の入力を含みます。HECKTOR22 チャレンジデータセット上で Auto3DSeg を実行するチュートリアルサンプルが MONAI チュートリアルで利用可能です。このチュートリアルは HECKTOR22 チャレンジ 1 位のソリューション に基づいています。
  

• Segresnet Algo の新しい改良版が AutoRunner で利用可能になりました。このバージョンでは、データキャッシュはより効率的で前処理変換はより柔軟です。ステップのタイミングも含めてワークフローの進捗は YAML ファイルに加えてコンソール出力に書かれます。
  

• モデル訓練 configuration の自動カスタマイゼーションと最適化は使用される GPU デバイスに従って得られます。この機能は、モデル訓練とスライディングウィンドウ推論のバッチサイズ、スライディングウィンドウ推論のデータに対する割り当てデバイス等のパラメータの決定にフォーカスしています。それを有効にする方法の詳細は、チュートリアル をご覧ください。

MONAI モデル Zoo の新しいモデル

新しい事前訓練済みモデルが作成されてモデル Zoo で公開されています。特に、

• mednist_reg は MONAI バンドル形式で画像レジストレーション・ワークフローを構築する方法を実演します。このモデルは registration_mednist チュートリアル に基づいて、手の X 線画像レジストレーションに対して ResNet と空間的 transformer を使用しています。
  

• pathology_nuclei_segmentation_and_classification, pathology_nuclick_annotation, そして pathology_nuclei_classification バンドルが デジタルパソロジー画像分析 のために構築されています。

モデルの使用方法の詳細は、チュートリアル をご覧ください。

最先端の SurgToolLoc ソリューション

SurgToolLoc は MICCAI 20222 の EndoVis チャレンジの一部です。チャレンジは内視鏡動画分析にフォーカスし、(1) 完全教師ありツール分類と (2) 弱教師ありツール分類/ローカリゼーションに分かれています。チーム NVIDIA は両方のカテゴリーを 3 位 で終えて入賞しました。ソリューションのコアコンポーネントは MONAI でリリース されています。

以上

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：

• What’s new in 1.0

* 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。

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