Monai
PulseAugur coverage of Monai — every cluster mentioning Monai across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
儿童医院使用 NVIDIA AI 在几秒钟内模拟儿童心脏
费城儿童医院（CHOP）正在利用开源 AI 工具，特别是 NVIDIA 联合创办的 MONAI 框架，在几秒钟内创建儿童心脏的详细 3D 模型。这项技术将建模所需时间从几小时大幅缩短到几秒钟，从而能够为先天性心脏缺陷提供更精确、更安全的心脏护理。这项进展正从研究过渡到标准的临床实践，已有 20 多家儿童医院采用了类似的计划，CHOP 旨在将其应用扩展到其他医学领域。
-
AI肺癌筛查得益于模拟CT扫描
研究人员开发了一种新颖的方法，利用基于物理的、解剖学信息的模拟CT扫描来解决AI肺癌筛查中带注释数据稀缺的问题。通过创建数字人体孪生并模拟CT扫描，他们生成了一个数据集，显著提高了AI模型在检测、分割和恶性度分类任务中的性能。这种方法有望增强AI在医学影像中的能力，特别是在罕见疾病表现方面。
-
RadHarmony库简化了放射学数据AI集成
一个名为RadHarmony的新开源Python库已被开发出来，用于简化深度学习应用中处理各种放射学数据集的过程。它提供了一个统一的API，用于加载、协调和增强数据，支持多种标签类型和成像模式，如胸部X光、CT和MRI。该库标准化了来自众多公共数据集的元数据，并与MONAI集成以实现高效的数据交付，同时还提供了一个AI代理技能来指导用户完成数据集集成。RadHarmony被用于预训练一个视觉Transformer模型RadHarmon…
-
MONAI 和 U-Net 增强 3D 医疗影像分割
研究人员正在利用 MONAI 和 U-Net 来推进 3D 医疗影像分割。这些工具能够实现更准确、更高效的端到端分割流程，最近一个关于 3D 脾脏分割的教程就展示了这一点。
-
MONAI教程：使用UNet实现端到端3D脾脏分割
本教程演示了一个使用MONAI框架的端到端3D医学图像分割流程。它专注于使用3D UNet模型从CT图像中分割脾脏。该过程涉及广泛的医学成像转换、混合精度训练和滑动窗口推理以实现准确预测。
-
新的增强技术可提升 CT 和 MRI 跨域医学图像分割性能
研究人员开发了一种新颖的数据增强技术，以提高深度学习模型在医学影像 3D 脊柱分割任务中的跨模态泛化能力。该方法在未见过的 CT 和 MRI 数据集上显著提升了性能，平均 Dice 系数提升了 155%，同时保持了域内准确性。该方法还通过 GPU 优化的增强技术将训练效率提高了约 10%，并已作为开源工具箱发布，兼容 nnUNet 和 MONAI。