MONAI
1.4.0
MONAI ist ein PyTorch-basiertes Open-Source-Framework für Deep Learning in der Bildgebung im Gesundheitswesen, Teil des PyTorch-Ökosystems. Seine Ambitionen sind wie folgt:
Aufbau einer Gemeinschaft akademischer, industrieller und klinischer Forscher, die auf einer gemeinsamen Grundlage zusammenarbeiten;
Erstellung hochmoderner End-to-End-Schulungsworkflows für die Bildgebung im Gesundheitswesen;
Bereitstellung einer optimierten und standardisierten Möglichkeit für Forscher, Deep-Learning-Modelle zu erstellen und auszuwerten.
Bitte sehen Sie sich die technischen Highlights und Neuigkeiten der Meilenstein-Releases an.
flexible Vorverarbeitung für mehrdimensionale medizinische Bilddaten;
Kompositionelle und portable APIs für eine einfache Integration in bestehende Arbeitsabläufe;
domänenspezifische Implementierungen für Netzwerke, Verluste, Bewertungsmetriken und mehr;
anpassbares Design für unterschiedliche Benutzerkenntnisse;
Unterstützung für Multi-GPU- und Multi-Node-Datenparallelität.
Um die aktuelle Version zu installieren, können Sie einfach Folgendes ausführen:
pip monai installieren
Weitere Installationsoptionen finden Sie in der Installationsanleitung.
MedNIST-Demo und MONAI für PyTorch-Benutzer sind auf Colab verfügbar.
Beispiele und Notebook-Tutorials finden Sie unter Project-MONAI/tutorials.
Technische Dokumentation ist unter docs.monai.io verfügbar.
Wenn Sie MONAI in Ihrer Forschung verwendet haben, zitieren Sie uns bitte! Das Zitat kann exportiert werden von: https://arxiv.org/abs/2211.02701.
Der MONAI Model Zoo ist ein Ort für Forscher und Datenwissenschaftler, um die neuesten und großartigsten Modelle aus der Community zu teilen. Die Verwendung des MONAI-Bundle-Formats erleichtert den Einstieg in die Erstellung von Workflows mit MONAI.
Hinweise zur Abgabe eines Beitrags an MONAI finden Sie in den Beitragsrichtlinien.
Nehmen Sie an der Diskussion auf Twitter/X @ProjectMONAI teil oder treten Sie unserem Slack-Kanal bei.
Stellen und beantworten Sie Fragen auf der GitHub-Registerkarte „Diskussionen“ von MONAI.
Website: https://monai.io/
API-Dokumentation (Meilenstein): https://docs.monai.io/
API-Dokumentation (neueste Entwicklung): https://docs.monai.io/en/latest/
Code: https://github.com/Project-MONAI/MONAI
Projekt-Tracker: https://github.com/Project-MONAI/MONAI/projects
Issue-Tracker: https://github.com/Project-MONAI/MONAI/issues
Wiki: https://github.com/Project-MONAI/MONAI/wiki
Teststatus: https://github.com/Project-MONAI/MONAI/actions
PyPI-Paket: https://pypi.org/project/monai/
Conda-Forge: https://anaconda.org/conda-forge/monai
Wöchentliche Vorschauen: https://pypi.org/project/monai-weekly/
Docker Hub: https://hub.docker.com/r/projectmonai/monai
