MONAI

MONAI(Medical Open Network for AI)는 의료 영상 분야에서 인공지능의 개발 및 배포를 발전시키기 위해 포괄적인 PyTorch 기반 프레임워크를 제공하는 협력적인 오픈 소스 프로젝트입니다. NVIDIA와 킹스 칼리지 런던이 시작한 MONAI는 연구자, 임상의, 산업 전문가들로 구성된 활기찬 글로벌 커뮤니티로 성장했습니다. 핵심 임무는 표준화된 엔터프라이즈급 도구를 제공하여 의료 기술 혁신을 가속화함으로써 학술 연구와 임상 구현 사이의 격차를 줄이는 것입니다.

MONAI 생태계는 의료 AI 라이프사이클의 중요한 각 단계를 다루는 세 가지 주요 기둥 위에 구축되었습니다:

• MONAI Core: 최첨단 의료 영상 AI 모델을 훈련하기 위한 도메인별 프레임워크입니다. 의료별 데이터 변환, UNETR과 같은 최신 아키텍처, 사전 훈련된 모델 모음, 자동화된 머신러닝 파이프라인을 제공합니다.
• MONAI Label: 지능형 AI 보조 이미지 주석 도구입니다. 능동 학습 전략을 사용하고 3D Slicer, OHIF, QuPath와 같은 인기 있는 의료 뷰어와 원활하게 통합하여 고품질 훈련 데이터셋 생성을 크게 가속화합니다.
• MONAI Deploy: AI 모델을 임상 환경에 패키징하고 배포하기 위한 강력한 프레임워크입니다. DICOM 및 FHIR과 같은 임상 표준을 지원하며, MONAI 애플리케이션 패키지(MAPs)를 통해 컨테이너화된 배포를 가능하게 하여 기존 워크플로우에 원활하게 통합할 수 있습니다.

MONAI 사용 방법

MONAI를 시작하는 방법은 모델 훈련이나 데이터 주석 등 특정 요구에 따라 다릅니다.

MONAI Core로 모델 훈련하기:

1. 설치: pip를 사용하여 핵심 라이브러리를 설치합니다.
   pip install monai
2. 워크플로우 개발: MONAI의 풍부한 변환 세트를 사용하여 데이터 로딩 및 전처리 파이프라인을 정의하는 Python 스크립트를 작성합니다. 예:
   from monai.transforms import Compose, LoadImage, ScaleIntensity, AddChannel
transforms = Compose([LoadImage(image_only=True), AddChannel(), ScaleIntensity()])
image = transforms(image_path)
3. 모델 훈련: MONAI의 네트워크 아키텍처, 손실 함수, 훈련 루프를 활용하거나, 자동화된 최첨단 3D 분할 파이프라인을 위해 Auto3DSeg 기능을 사용합니다.

MONAI Label로 AI 보조 주석 달기:

1. 설치: MONAI Label 패키지를 설치합니다.
   pip install monailabel
2. 샘플 앱 및 데이터 다운로드: 사전 구성된 애플리케이션과 샘플 데이터셋을 다운로드하여 빠르게 시작합니다.
   monailabel apps --download --name radiology --output apps
monailabel datasets --download --name Task09_Spleen --output datasets
3. 서버 실행: 선택한 앱과 데이터로 MONAI Label 서버를 시작합니다.
   monailabel start_server --app apps/radiology --studies datasets/Task09_Spleen/imagesTr
4. 연결 및 주석: 선호하는 의료 영상 뷰어(예: 3D Slicer)를 서버에 연결하고 실시간 AI 지원을 받으며 주석 작업을 시작합니다.

MONAI의 핵심 기능

• 엔드투엔드 의료 AI 워크플로우: 데이터 주석 및 전처리부터 모델 훈련, 검증, 임상 배포까지 전체 프로세스를 위한 통합 툴킷을 제공합니다.
• 의료별 툴킷: 2D, 3D, 4D 의료 데이터를 위한 고도로 전문화된 변환과 도메인별 손실 함수 및 평가 지표(예: Dice, Hausdorff 거리)를 제공합니다.
• 최첨단 모델: 30개 이상의 사전 훈련된 모델 모음과 UNETR 및 수상 경력에 빛나는 자동 분할용 Auto3DSeg 파이프라인과 같은 최신 아키텍처를 포함합니다.
• 지능형 주석(MONAI Label): AI 보조 레이블링 및 능동 학습 기능으로 주석 시간을 50-80% 단축하면서 모델 성능을 향상시킵니다.
• 임상 배포 프레임워크(MONAI Deploy): DICOM, FHIR 및 컨테이너화된 MONAI 애플리케이션 패키지(MAPs)를 지원하여 AI 모델을 임상 환경에 통합하는 과정을 단순화합니다.
• 커뮤니티 주도 및 오픈 소스: Apache 2.0 라이선스 하에 있으며, GitHub, Slack, 토론 포럼을 통해 글로벌 커뮤니티의 강력한 지원을 받아 협업과 혁신을 촉진합니다.

MONAI의 사용 사례

MONAI는 선도적인 의료 기관 및 산업 파트너에 의해 의료 영상 워크플로우를 혁신하기 위해 구현되고 있습니다.

• 방사선과: CT 및 MRI 스캔에서 장기(예: 신장, 비장)의 자동 분할 및 종양 탐지에 사용됩니다. 메이요 클리닉은 효율성과 의사 결정을 향상시키기 위해 MONAI 호환 모델을 임상 방사선과 워크플로우에 통합했습니다.
• 병리학: 전체 슬라이드 이미지 분석에 특화되어 있으며, 세포 탐지 및 조직 분류를 포함합니다. QuPath와 같은 뷰어와 통합하여 병리학 워크플로우를 가속화합니다.
• 내시경 검사: 비디오 시퀀스에서 용종 탐지 및 수술 도구 추적과 같은 실시간 애플리케이션에 최적화되어 있습니다.
• 기업 배포: 지멘스 헬시니어스는 디지털 마켓플레이스를 위해 MONAI Deploy를 채택하여 글로벌 의료 네트워크 전반에 걸쳐 AI 솔루션의 표준화된 엔터프라이즈 규모 배포를 가능하게 했습니다.

MONAI의 장점

• 혁신 가속화: 의료 AI 모델을 개발, 검증 및 배포하는 데 필요한 시간을 대폭 단축합니다.
• 표준화 및 재현성: 모범 사례를 장려하고 재현 가능한 파이프라인을 제공하여 연구의 신뢰성과 이전 가능성을 보장합니다.
• 연구와 임상 실습의 연결: AI 모델을 연구실에서 실제 임상 사용으로 이전할 수 있는 명확하고 강력한 경로를 제공합니다.
• 유연성 및 강력함: PyTorch를 기반으로 구축되어 초보자와 전문가 모두를 만족시키는 유연하고 모듈화된 설계를 제공하며, 쉬운 사용자 정의가 가능합니다.
• 엔터프라이즈급: 확장성, 견고성 및 원활한 통합을 위해 설계되어 까다로운 임상 환경에 적합합니다.

가격 및 플랜

MONAI 프로젝트는 완전히 무료인 오픈 소스 이니셔티브입니다. MONAI Core, MONAI Label, MONAI Deploy를 포함한 모든 도구와 프레임워크는 허용적인 Apache 2.0 라이선스 하에 제공되며, 학술 및 상업 환경 모두에서 최대한의 유연성, 협업 및 채택을 장려합니다.