MONAI

MONAI (Medical Open Network for AI) là một dự án hợp tác, mã nguồn mở cung cấp một framework toàn diện dựa trên PyTorch để thúc đẩy sự phát triển và triển khai trí tuệ nhân tạo trong hình ảnh y tế. Được khởi xướng bởi NVIDIA và King's College London, MONAI đã phát triển thành một cộng đồng toàn cầu sôi động gồm các nhà nghiên cứu, bác sĩ lâm sàng và chuyên gia trong ngành. Sứ mệnh cốt lõi của nó là thu hẹp khoảng cách giữa nghiên cứu học thuật và triển khai lâm sàng bằng cách cung cấp các công cụ tiêu chuẩn, cấp doanh nghiệp giúp đẩy nhanh sự đổi mới trong công nghệ y tế.

Hệ sinh thái MONAI được xây dựng trên ba trụ cột chính, mỗi trụ cột giải quyết một giai đoạn quan trọng của vòng đời AI y tế:

• MONAI Core: Một framework chuyên biệt cho việc huấn luyện các mô hình AI hình ảnh y tế tiên tiến. Nó cung cấp các phép biến đổi dữ liệu y tế chuyên dụng, các kiến trúc tiên tiến như UNETR, một bộ sưu tập các mô hình được huấn luyện trước và các quy trình học máy tự động.
• MONAI Label: Một công cụ chú thích hình ảnh thông minh, được hỗ trợ bởi AI. Nó tăng tốc đáng kể việc tạo ra các bộ dữ liệu huấn luyện chất lượng cao bằng cách sử dụng các chiến lược học tích cực và tích hợp liền mạch với các trình xem y tế phổ biến như 3D Slicer, OHIF và QuPath.
• MONAI Deploy: Một framework mạnh mẽ để đóng gói và triển khai các mô hình AI vào môi trường lâm sàng. Nó hỗ trợ các tiêu chuẩn lâm sàng như DICOM và FHIR và cho phép triển khai dưới dạng container thông qua các Gói Ứng dụng MONAI (MAPs) để tích hợp liền mạch vào các quy trình làm việc hiện có.

Cách sử dụng MONAI

Bắt đầu với MONAI phụ thuộc vào nhu cầu cụ thể của bạn, cho dù đó là huấn luyện mô hình hay chú thích dữ liệu.

Để huấn luyện mô hình với MONAI Core:

1. Cài đặt: Cài đặt thư viện lõi bằng pip.
   pip install monai
2. Phát triển quy trình làm việc của bạn: Tạo một kịch bản Python để xác định quy trình tải và tiền xử lý dữ liệu của bạn bằng cách sử dụng bộ biến đổi phong phú của MONAI. Ví dụ:
   from monai.transforms import Compose, LoadImage, ScaleIntensity, AddChannel
transforms = Compose([LoadImage(image_only=True), AddChannel(), ScaleIntensity()])
image = transforms(image_path)
3. Huấn luyện mô hình: Sử dụng các kiến trúc mạng, hàm mất mát và vòng lặp huấn luyện của MONAI, hoặc tận dụng tính năng Auto3DSeg cho một quy trình phân đoạn 3D tự động, tiên tiến.

Để chú thích có sự hỗ trợ của AI với MONAI Label:

1. Cài đặt: Cài đặt gói MONAI Label.
   pip install monailabel
2. Tải xuống ứng dụng và dữ liệu mẫu: Bắt đầu nhanh chóng bằng cách tải xuống một ứng dụng được cấu hình sẵn và bộ dữ liệu mẫu.
   monailabel apps --download --name radiology --output apps
monailabel datasets --download --name Task09_Spleen --output datasets
3. Khởi chạy máy chủ: Bắt đầu máy chủ MONAI Label với ứng dụng và dữ liệu bạn đã chọn.
   monailabel start_server --app apps/radiology --studies datasets/Task09_Spleen/imagesTr
4. Kết nối và chú thích: Kết nối trình xem hình ảnh y tế ưa thích của bạn (ví dụ: 3D Slicer) với máy chủ và bắt đầu chú thích với sự hỗ trợ của AI trong thời gian thực.

Tính năng chính của MONAI

• Quy trình làm việc AI y tế từ đầu đến cuối: Cung cấp một bộ công cụ thống nhất cho toàn bộ quy trình, từ chú thích và tiền xử lý dữ liệu đến huấn luyện, xác thực và triển khai mô hình lâm sàng.
• Bộ công cụ chuyên biệt cho y tế: Cung cấp các phép biến đổi chuyên sâu cho dữ liệu y tế 2D, 3D và 4D, cùng với các hàm mất mát và chỉ số đánh giá chuyên biệt (ví dụ: Dice, khoảng cách Hausdorff).
• Các mô hình tiên tiến: Bao gồm một bộ sưu tập hơn 30 mô hình được huấn luyện trước và các kiến trúc tiên tiến như UNETR và quy trình Auto3DSeg đoạt giải thưởng cho phân đoạn tự động.
• Chú thích thông minh (MONAI Label): Có tính năng ghi nhãn được hỗ trợ bởi AI và học tích cực để giảm thời gian chú thích từ 50-80% đồng thời cải thiện hiệu suất mô hình.
• Framework triển khai lâm sàng (MONAI Deploy): Đơn giản hóa việc tích hợp các mô hình AI vào môi trường lâm sàng với sự hỗ trợ cho DICOM, FHIR và các Gói Ứng dụng MONAI (MAPs) được đóng gói dưới dạng container.
• Dựa vào cộng đồng và mã nguồn mở: Được cấp phép theo Apache 2.0, thúc đẩy sự hợp tác và đổi mới với sự hỗ trợ mạnh mẽ từ một cộng đồng toàn cầu qua GitHub, Slack và các diễn đàn thảo luận.

Các trường hợp sử dụng MONAI

MONAI đang được các tổ chức y tế hàng đầu và các đối tác công nghiệp triển khai để chuyển đổi các quy trình làm việc về hình ảnh y tế.

• X quang: Được sử dụng để phân đoạn tự động các cơ quan (ví dụ: thận, lá lách) và phát hiện khối u trong các bản quét CT và MRI. Mayo Clinic đã tích hợp các mô hình tương thích với MONAI vào quy trình làm việc X quang lâm sàng của mình để nâng cao hiệu quả và quá trình ra quyết định.
• Bệnh lý học: Chuyên dùng để phân tích hình ảnh toàn bộ lam kính, bao gồm phát hiện tế bào và phân loại mô. Nó tích hợp với các trình xem như QuPath để tăng tốc quy trình làm việc trong bệnh lý học.
• Nội soi: Được tối ưu hóa cho các ứng dụng thời gian thực như phát hiện polyp và theo dõi dụng cụ phẫu thuật trong các chuỗi video.
• Triển khai doanh nghiệp: Siemens Healthineers đã áp dụng MONAI Deploy cho Thị trường Kỹ thuật số của họ, cho phép triển khai các giải pháp AI được tiêu chuẩn hóa ở quy mô doanh nghiệp trên toàn mạng lưới y tế toàn cầu của họ.

Ưu điểm của MONAI

• Tăng tốc đổi mới: Giảm đáng kể thời gian cần thiết để phát triển, xác thực và triển khai các mô hình AI y tế.
• Tiêu chuẩn hóa và khả năng tái tạo: Thúc đẩy các phương pháp hay nhất và cung cấp các quy trình có thể tái tạo, đảm bảo rằng nghiên cứu là đáng tin cậy và có thể chuyển giao.
• Cầu nối giữa nghiên cứu và thực hành lâm sàng: Cung cấp một con đường rõ ràng và mạnh mẽ để đưa các mô hình AI từ phòng thí nghiệm nghiên cứu vào sử dụng lâm sàng trong thế giới thực.
• Linh hoạt và mạnh mẽ: Được xây dựng trên PyTorch, nó cung cấp một thiết kế linh hoạt, mô-đun hóa phục vụ cho cả người mới bắt đầu và chuyên gia, cho phép tùy chỉnh dễ dàng.
• Sẵn sàng cho doanh nghiệp: Được thiết kế để có khả năng mở rộng, mạnh mẽ và tích hợp liền mạch, làm cho nó phù hợp với các môi trường lâm sàng đòi hỏi khắt khe.

Giá cả và gói dịch vụ

Dự án MONAI là một sáng kiến hoàn toàn miễn phí và mã nguồn mở. Tất cả các công cụ và framework của nó, bao gồm MONAI Core, MONAI Label và MONAI Deploy, đều có sẵn theo giấy phép Apache 2.0 dễ dãi, khuyến khích sự linh hoạt, hợp tác và áp dụng tối đa trong cả môi trường học thuật và thương mại.