MONAI

MONAI (Medical Open Network for AI) est un projet collaboratif et open-source qui fournit un cadre complet basé sur PyTorch pour faire progresser le développement et le déploiement de l'intelligence artificielle dans l'imagerie médicale. Lancé par NVIDIA et le King's College de Londres, MONAI est devenu une communauté mondiale dynamique de chercheurs, de cliniciens et d'experts de l'industrie. Sa mission principale est de combler le fossé entre la recherche universitaire et la mise en œuvre clinique en fournissant des outils standardisés de qualité professionnelle qui accélèrent l'innovation dans la technologie médicale.

L'écosystème MONAI repose sur trois piliers principaux, chacun abordant une étape critique du cycle de vie de l'IA médicale :

• MONAI Core : Un framework spécifique au domaine pour l'entraînement de modèles d'IA d'imagerie médicale de pointe. Il offre des transformations de données spécifiques au domaine médical, des architectures de pointe comme UNETR, une collection de modèles pré-entraînés et des pipelines d'apprentissage automatique automatisés.
• MONAI Label : Un outil d'annotation d'images intelligent et assisté par l'IA. Il accélère considérablement la création de jeux de données d'entraînement de haute qualité en utilisant des stratégies d'apprentissage actif et en s'intégrant de manière transparente avec des visualiseurs médicaux populaires comme 3D Slicer, OHIF et QuPath.
• MONAI Deploy : Un framework robuste pour l'empaquetage et le déploiement de modèles d'IA dans des environnements cliniques. Il prend en charge les normes cliniques comme DICOM et FHIR et permet le déploiement conteneurisé via les MONAI Application Packages (MAPs) pour une intégration transparente dans les flux de travail existants.

Comment utiliser MONAI

L'utilisation de MONAI dépend de vos besoins spécifiques, qu'il s'agisse d'entraîner un modèle ou d'annoter des données.

Pour l'entraînement de modèles avec MONAI Core :

1. Installation : Installez la bibliothèque principale à l'aide de pip.
   pip install monai
2. Développez votre flux de travail : Créez un script Python pour définir votre pipeline de chargement et de prétraitement des données en utilisant le riche ensemble de transformations de MONAI. Par exemple :
   from monai.transforms import Compose, LoadImage, ScaleIntensity, AddChannel
transforms = Compose([LoadImage(image_only=True), AddChannel(), ScaleIntensity()])
image = transforms(image_path)
3. Entraînez un modèle : Utilisez les architectures de réseau, les fonctions de perte et les boucles d'entraînement de MONAI, ou tirez parti de la fonctionnalité Auto3DSeg pour un pipeline de segmentation 3D automatisé et de pointe.

Pour l'annotation assistée par l'IA avec MONAI Label :

1. Installation : Installez le package MONAI Label.
   pip install monailabel
2. Téléchargez une application et des données d'exemple : Démarrez rapidement en téléchargeant une application préconfigurée et un jeu de données d'exemple.
   monailabel apps --download --name radiology --output apps
monailabel datasets --download --name Task09_Spleen --output datasets
3. Lancez le serveur : Démarrez le serveur MONAI Label avec l'application et les données choisies.
   monailabel start_server --app apps/radiology --studies datasets/Task09_Spleen/imagesTr
4. Connectez-vous et annotez : Connectez votre visualiseur d'images médicales préféré (par exemple, 3D Slicer) au serveur et commencez à annoter avec une assistance IA en temps réel.

Fonctionnalités principales de MONAI

• Flux de travail d'IA médicale de bout en bout : Fournit une boîte à outils unifiée pour l'ensemble du processus, de l'annotation et du prétraitement des données à l'entraînement, la validation et le déploiement clinique du modèle.
• Boîte à outils spécifique au domaine médical : Offre des transformations hautement spécialisées pour les données médicales 2D, 3D et 4D, ainsi que des fonctions de perte et des métriques d'évaluation spécifiques au domaine (par exemple, Dice, distance de Hausdorff).
• Modèles de pointe : Comprend une collection de plus de 30 modèles pré-entraînés et des architectures de pointe comme UNETR et le pipeline primé Auto3DSeg pour la segmentation automatisée.
• Annotation intelligente (MONAI Label) : Propose un étiquetage assisté par l'IA et un apprentissage actif pour réduire le temps d'annotation de 50 à 80 % tout en améliorant les performances du modèle.
• Framework de déploiement clinique (MONAI Deploy) : Simplifie l'intégration des modèles d'IA dans les environnements cliniques avec prise en charge de DICOM, FHIR et des MONAI Application Packages (MAPs) conteneurisés.
• Piloté par la communauté et open source : Sous licence Apache 2.0, favorisant la collaboration et l'innovation avec un fort soutien d'une communauté mondiale via GitHub, Slack et les forums de discussion.

Cas d'utilisation pour MONAI

MONAI est mis en œuvre par des institutions de santé de premier plan et des partenaires industriels pour transformer les flux de travail en imagerie médicale.

• Radiologie : Utilisé pour la segmentation automatisée d'organes (par exemple, les reins, la rate) et la détection de tumeurs dans les scanners CT et IRM. La Mayo Clinic a intégré des modèles compatibles avec MONAI dans ses flux de travail de radiologie clinique pour améliorer l'efficacité et la prise de décision.
• Pathologie : Spécialisé dans l'analyse d'images de lames entières, y compris la détection de cellules et la classification des tissus. Il s'intègre avec des visualiseurs comme QuPath pour accélérer les flux de travail en pathologie.
• Endoscopie : Optimisé pour des applications en temps réel comme la détection de polypes et le suivi d'outils chirurgicaux dans des séquences vidéo.
• Déploiement en entreprise : Siemens Healthineers a adopté MONAI Deploy pour son Digital Marketplace, permettant le déploiement standardisé et à l'échelle de l'entreprise de solutions d'IA sur son réseau de santé mondial.

Avantages de MONAI

• Innovation accélérée : Réduit considérablement le temps nécessaire pour développer, valider et déployer des modèles d'IA médicale.
• Standardisation et reproductibilité : Promeut les meilleures pratiques et fournit des pipelines reproductibles, garantissant que la recherche est fiable et transférable.
• Pont entre la recherche et la pratique clinique : Offre une voie claire et robuste pour faire passer les modèles d'IA du laboratoire de recherche à une utilisation clinique réelle.
• Flexibilité et puissance : Construit sur PyTorch, il offre une conception flexible et modulaire qui s'adresse aussi bien aux débutants qu'aux experts, permettant une personnalisation facile.
• Prêt pour l'entreprise : Conçu pour l'évolutivité, la robustesse et l'intégration transparente, ce qui le rend adapté aux environnements cliniques exigeants.

Tarification et plans

Le projet MONAI est une initiative entièrement gratuite et open-source. Tous ses outils et frameworks, y compris MONAI Core, MONAI Label et MONAI Deploy, sont disponibles sous la licence permissive Apache 2.0, encourageant une flexibilité, une collaboration et une adoption maximales dans les contextes académiques et commerciaux.