MONAI

MONAI（Medical Open Network for AI）は、ヘルスケア画像における人工知能の開発と展開を推進するために、包括的なPyTorchベースのフレームワークを提供する、共同のオープンソースプロジェクトです。NVIDIAとキングス・カレッジ・ロンドンによって開始されたMONAIは、研究者、臨床医、業界の専門家からなる活気あるグローバルコミュニティに成長しました。その中心的な使命は、標準化されたエンタープライズグレードのツールを提供することで、学術研究と臨床実装の間のギャップを埋め、医療技術の革新を加速させることです。

MONAIエコシステムは、医療AIライフサイクルの重要な各段階に対応する3つの主要な柱の上に構築されています：

• MONAI Core: 最先端の医療画像AIモデルをトレーニングするためのドメイン固有のフレームワークです。医療に特化したデータ変換、UNETRのような最先端のアーキテクチャ、事前トレーニング済みモデルの動物園、自動化された機械学習パイプラインを提供します。
• MONAI Label: AI支援によるインテリジェントな画像注釈ツールです。アクティブラーニング戦略を使用し、3D Slicer、OHIF、QuPathなどの人気のある医療ビューアとシームレスに統合することで、高品質なトレーニングデータセットの作成を大幅に高速化します。
• MONAI Deploy: AIモデルを臨床環境にパッケージ化して展開するための堅牢なフレームワークです。DICOMやFHIRなどの臨床標準をサポートし、MONAIアプリケーションパッケージ（MAPs）を介したコンテナ化された展開を可能にし、既存のワークフローへのシームレスな統合を実現します。

MONAIの使い方

MONAIの始め方は、モデルのトレーニングやデータの注釈付けなど、特定のニーズによって異なります。

MONAI Coreでのモデルトレーニング：

1. インストール：pipを使用してコアライブラリをインストールします。
   pip install monai
2. ワークフローの開発：MONAIの豊富な変換セットを使用して、データ読み込みと前処理パイプラインを定義するPythonスクリプトを作成します。例：
   from monai.transforms import Compose, LoadImage, ScaleIntensity, AddChannel
transforms = Compose([LoadImage(image_only=True), AddChannel(), ScaleIntensity()])
image = transforms(image_path)
3. モデルのトレーニング：MONAIのネットワークアーキテクチャ、損失関数、トレーニングループを活用するか、自動化された最先端の3DセグメンテーションパイプラインのためにAuto3DSeg機能を利用します。

MONAI LabelでのAI支援注釈：

1. インストール：MONAI Labelパッケージをインストールします。
   pip install monailabel
2. サンプルアプリとデータのダウンロード：事前設定されたアプリケーションとサンプルデータセットをダウンロードして、すぐに始められます。
   monailabel apps --download --name radiology --output apps
monailabel datasets --download --name Task09_Spleen --output datasets
3. サーバーの起動：選択したアプリとデータでMONAI Labelサーバーを起動します。
   monailabel start_server --app apps/radiology --studies datasets/Task09_Spleen/imagesTr
4. 接続と注釈：お好みの医療画像ビューア（例：3D Slicer）をサーバーに接続し、リアルタイムのAI支援を受けながら注釈を開始します。

MONAIの主な機能

• エンドツーエンドの医療AIワークフロー：データ注釈と前処理からモデルのトレーニング、検証、臨床展開までの全プロセスに対応する統一されたツールキットを提供します。
• 医療特化ツールキット：2D、3D、4Dの医療データに特化した高度な変換機能、ドメイン固有の損失関数、評価指標（例：Dice、Hausdorff距離）を提供します。
• 最先端のモデル：30以上の事前トレーニング済みモデルの動物園や、UNETRや受賞歴のある自動セグメンテーション用パイプラインAuto3DSegなどの最先端アーキテクチャが含まれています。
• インテリジェント注釈（MONAI Label）：AI支援ラベリングとアクティブラーニングを特徴とし、注釈時間を50〜80%削減しつつ、モデルの性能を向上させます。
• 臨床展開フレームワーク（MONAI Deploy）：DICOM、FHIR、コンテナ化されたMONAIアプリケーションパッケージ（MAPs）をサポートし、AIモデルの臨床環境への統合を簡素化します。
• コミュニティ主導およびオープンソース：Apache 2.0ライセンスの下で提供され、GitHub、Slack、ディスカッションフォーラムを通じてグローバルコミュニティからの強力なサポートを受け、協力と革新を促進します。

MONAIの使用例

MONAIは、主要な医療機関や業界パートナーによって、医療画像ワークフローを変革するために導入されています。

• 放射線科：CTやMRIスキャンにおける臓器（例：腎臓、脾臓）の自動セグメンテーションや腫瘍の検出に使用されます。メイヨー・クリニックは、効率と意思決定を向上させるために、MONAI互換モデルを臨床放射線科ワークフローに統合しています。
• 病理学：細胞検出や組織分類を含む、全スライド画像の分析に特化しています。QuPathなどのビューアと統合して、病理学ワークフローを加速させます。
• 内視鏡検査：ビデオシーケンスにおけるポリープ検出や手術器具の追跡など、リアルタイムアプリケーションに最適化されています。
• エンタープライズ展開：シーメンス・ヘルスイニアーズは、デジタルマーケットプレイスにMONAI Deployを採用し、グローバルな医療ネットワーク全体でAIソリューションの標準化されたエンタープライズ規模の展開を可能にしました。

MONAIの利点

• イノベーションの加速：医療AIモデルの開発、検証、展開に必要な時間を大幅に短縮します。
• 標準化と再現性：ベストプラクティスを推進し、再現可能なパイプラインを提供することで、研究の信頼性と移転可能性を確保します。
• 研究と臨床実践の橋渡し：AIモデルを研究室から現実世界の臨床使用へと移行させるための明確で堅牢な道筋を提供します。
• 柔軟性とパワー：PyTorch上に構築されており、初心者から専門家まで対応する柔軟でモジュール化された設計を提供し、簡単なカスタマイズが可能です。
• エンタープライズグレード：スケーラビリティ、堅牢性、シームレスな統合を考慮して設計されており、要求の厳しい臨床環境に適しています。

料金プラン

MONAIプロジェクトは、完全に無料でオープンソースのイニシアチブです。MONAI Core、MONAI Label、MONAI Deployを含むすべてのツールとフレームワークは、寛容なApache 2.0ライセンスの下で利用可能であり、学術および商業環境の両方で最大限の柔軟性、協力、採用を奨励しています。