模块概述
NVIDIA MONAI 工具包旨在为各个级别的用户（从初学者到高级从业者）提供全面的学习体验。本指南分为五个模块，每个模块侧重于使用 MONAI 进行医学图像分析的不同方面。
开始之前
确保您已满足所有系统要求
熟悉医学影像和深度学习的基本概念
为每个模块预留充足的时间 - 学习时间可能因您的经验水平而异
为了充分利用 NVIDIA MONAI 工具包，我们建议您按顺序学习每个模块，并专注于您感兴趣的特定任务。以下章节提供了使用 MONAI 的综合指南
模块 1：入门 - 本模块提供有关设置您的环境和使用 NVIDIA MONAI 工具包的信息。
模块 2：使用 MONAI Label - 如果您正处于起步阶段，并想学习如何加快图像标注过程，请查看本模块。
模块 3：使用 MONAI Core - 如果您已经拥有带注释的数据集，并想开始使用 MONAI 进行训练或将 MONAI 集成到您现有的 PyTorch 训练循环中，则本模块适合您。
模块 4：MONAI 联邦学习 - 如果您对 MONAI 和联邦学习协同工作感兴趣，请查看本模块。
模块 5：性能和基准测试 - 对于高级主题，包括基准测试、性能分析以及研究人员使用 MONAI 的最佳实践，请查看本章。
MONAI Label 是一个用于医学数据标记和学习的开源平台。它提供先进的主动学习策略，使用户能够创建带注释的数据集并开发用于临床评估的 AI 标注模型。平台提供涵盖各种医学影像模态的示例应用程序，并支持多种查看器工具和数据存储平台。
准备好开始您的 MONAI Label 之旅了吗？选择最适合您项目的模态，并探索提供的示例应用程序。借助 MONAI 工具包，为医学 AI 应用创建高质量的标记数据集从未如此简单。
用于放射学的 MONAI Label
用于内窥镜的 MONAI Label
用于病理学的 MONAI Label
自带数据
创建您自己的应用程序
集成指南
MONAI Label 是一款智能开源图像标记和学习工具，使用户能够创建带注释的数据集并构建用于临床评估的 AI 标注模型。
MONAI 工具包包含 MONAI Label，并为用户提供即插即用的环境。通过客户端查看器的一步式设置，MONAI Label 使研究人员和开发人员能够从交互式 AI 辅助标记体验中受益，包括针对不同标记场景的教程。
用于放射学的 MONAI Label
用于内窥镜的 MONAI Label
用于病理学的 MONAI Label
自带数据
创建您自己的应用程序
MONAI Core 是 Project MONAI 的旗舰库，为医疗保健影像 AI 模型训练提供特定领域的功能。MONAI Core 以 PyTorch 为核心，为开发人员和研究人员提供了一个强大的工具包，用于构建医学图像分析的深度学习模型。
得益于 MONAI Core 的 AutoML、智能缓存、GPU 加速 I/O 和图像转换，用户可以比以往更快地训练模型，将训练时间从几天缩短到几小时甚至几分钟。该库的组件在不同粒度级别上促进医学图像分析中的深度学习，而 API 被设计为轻量级、灵活且易于使用。这些构建块可以轻松集成到现有的 PyTorch 程序和更大的系统中，使用户（无论专业知识水平如何）都可以轻松地为其医疗保健影像应用设置高效且强大的模型训练或评估管道。
MONAI Core 入门
NGC 上的 MONAI Bundles 和 MONAI Models
Auto3DSeg
nnUNet
自监督学习 (SSL)
实验管理
惰性重采样
MetricsReloaded
- 教程目录
放射学
病理学
计算机辅助介入 (CAI)
MONAI 的联邦学习 (FL) 客户端算法 API 为协作式医学图像分析提供了一个强大而安全的框架。借助这些 API，可以将自定义联邦学习算法定义为抽象基类，并在任何联邦学习平台上运行。
NVIDIA 开发的联邦学习平台 NVIDIA FLARE 已经集成了这些 API，从而可以轻松地将 MONAI bundles 扩展到联邦范式，并使用单 GPU 或多 GPU 训练执行它们。使用 MONAI FL 进行协作式医学图像分析使医疗保健提供商和研究人员能够高效有效地协同工作，而无需共享敏感数据。这种方法有助于发现新的见解，并更快地朝着改善患者预后的方向发展。
MONAI 联邦学习入门
使用本地配置的 MONAI 联邦学习
云端 NVIDIA 联邦学习仪表板
模型训练通常是深度学习开发中一个耗时的过程，尤其是在医学影像应用中。容积医学图像数据量很大（例如多维数组），模型训练过程可能很复杂。即使使用强大的硬件（例如具有大内存的 CPU/GPU），工作流程通常也需要分析和调整才能获得高性能。并且使用精心选择的算法（例如网络架构、损失函数和优化器）可以加快训练速度。
为了概述实践中的性能基准测试和改进，本章详细介绍了 MONAI Label 和 MONAI Core 的基本指标数字、如何分析训练管道、分析训练管道、算法选择以及优化 GPU 利用率的方法。
MONAI Label 基准测试
MONAI Core 训练
性能优化
多 GPU 训练
多节点训练
TensorRT 转换