MONAI Label 医学影像智能标注完整指南

MONAI Label 医学影像智能标注完整指南

【免费下载链接】MONAILabel MONAI Label is an intelligent open source image labeling and learning tool. 项目地址: https://gitcode.com/gh_mirrors/mo/MONAILabel

MONAI Label 是一个开源的医学影像智能标注和学习工具，它通过AI技术促进交互式医学图像标注。这个服务器-客户端系统可以在具有单个或多个GPU的机器上本地运行，使研究人员和开发者能够创建标注数据集并构建AI标注模型。

项目架构深度解析

MONAI Label 的代码仓库经过精心设计，各模块分工明确：

核心代码区

• monailabel/ - 服务端核心逻辑与API接口
• docs/ - 完整技术文档与说明材料
• sample-apps/ - 实战案例应用程序
• plugins/ - 各种查看器的插件支持
• tests/ - 质量保证测试套件

配置与规范

• .github/ - CI/CD自动化流程配置
• requirements.txt - 依赖环境清单
• LICENSE - Apache 2.0开源协议
• README.md - 快速入门指引

这种模块化设计让开发者能快速定位功能组件，便于后续扩展维护。

启动流程完全掌握

MONAI Label 的主入口文件 monailabel/main.py 承担着应用初始化重任，包含完整的命令行参数解析和服务启动逻辑。

启动核心步骤

1. 导入必备模块与依赖包
2. 解析命令行参数与环境变量
3. 加载JSON/YAML格式配置文件
4. 初始化数据库连接与核心组件
5. 启动Uvicorn HTTP服务

配置系统全面揭秘

配置文件是 MONAI Label 运行的灵魂所在，通过 monailabel/config.py 进行统一管理：

核心配置模块

MONAI_LABEL_APP_DIR: str = ""  # 应用目录
MONAI_LABEL_STUDIES: str = ""  # 研究数据目录
MONAI_LABEL_SERVER_PORT: int = 8000  # 服务器端口
MONAI_LABEL_DATASTORE: str = ""  # 数据存储配置

高级配置项

• app - 应用级设置（用户权限、算法选择）
• model - 训练参数（学习率、优化器）
• viewer - 影像查看器选项

安装与快速开始

当前稳定版本安装

pip install -U monailabel

开发版本安装

git clone https://gitcode.com/gh_mirrors/mo/MONAILabel
pip install -r MONAILabel/requirements.txt
export PATH=$PATH:`pwd`/MONAILabel/monailabel/scripts

支持的领域与模型

放射学

• 分割：UNet、UNETR等深度学习模型
• DeepGrow：交互式分割工具
• DeepEdit：可编辑学习交互分割
• SAM2 (2D/3D)：分割任意模型

病理学

• DeepEdit：交互式核分割
• NuClick：核点击分割
• 分割：多标签核分割
• 分类：核分类
• SAM2 (2D)：分割任意模型

视频处理

• DeepEdit：内窥镜工具分割
• 工具跟踪：手术工具跟踪
• 体内/体外：体内外部分割

支持的查看器

放射学查看器

• 3D Slicer：免费的医学图像分析和可视化平台
• MITK：医学成像交互工具包
• OHIF：开放健康成像基金会查看器

病理学查看器

• QuPath：定量病理学和生物图像分析软件
• 数字幻灯片存档：存储、管理和注释大型成像数据集的平台

视频查看器

• CVAT：交互式视频和图像标注工具

数据准备

本地数据存储

对于放射学应用的单一模态图像，MONAI Label 使用特定的文件夹结构。将图像数据放在一个文件夹中，如果有分割文件，创建并放置在名为 labels/final 的子文件夹中。

示例结构：

dataset
│-- spleen_10.nii.gz
│-- spleen_11.nii.gz
│   ...
└───labels
    └─── final
        │-- spleen_10.nii.gz
        │-- spleen_11.nii.gz
        │   ...

DICOMWeb 支持

如果您使用的查看器支持 DICOMweb 标准，可以使用该标准代替本地数据存储来为 MONAI Label 提供图像。

启动 MONAI Label 服务器

完成查看器、应用和数据存储的配置后，可以使用相关参数启动 MONAI Label 服务器：

monailabel apps --download --name radiology --output apps
monailabel datasets --download --name Task09_Spleen --output datasets
monailabel start_server --app apps/radiology --studies datasets/Task09_Spleen/imagesTr --conf models segmentation

扩展资源与进阶指南

示例应用程序

MONAI Label 提供了多个示例应用程序，涵盖不同医学影像任务：

• 放射学应用：包含用于在放射学图像上进行交互式和自动化分割的示例模型

• 病理学应用：包含用于在病理学 WSI 图像上进行交互式和自动化分割的示例模型

• 视频应用：内窥镜应用使用户能够在2D图像上使用交互式、自动化分割和分类模型

• Bundle应用：使用户能够使用自定义模型进行推理、训练或前后处理任何目标解剖结构

插件系统

MONAI Label 支持多种查看器插件，包括：

• 3D Slicer 插件
• MITK 插件
• OHIF 插件
• QuPath 插件
• 数字幻灯片存档插件
• CVAT 插件

核心功能特性

智能标注框架

• 开发和部署 MONAI Label 应用程序以训练和推理 AI 模型
• 组合式和可移植的 API，便于在现有工作流程中集成
• 可自定义的标注应用程序设计，适应不同的用户专业知识

多领域支持

• 通过 3D Slicer 和 OHIF 支持放射学标注
• 通过 QuPath、数字幻灯片存档和 CVAT 支持病理学标注
• 通过 CVAT 支持内窥镜视频标注

主动学习工作流程

• 自动化主动学习工作流程
• 持续从用户交互和数据中学习
• 使 AI 能够适应当前任务

MONAI Label 致力于填补开发人员创建新标注应用程序与希望从这些创新中受益的最终用户之间的空白。

【免费下载链接】MONAILabel MONAI Label is an intelligent open source image labeling and learning tool. 项目地址: https://gitcode.com/gh_mirrors/mo/MONAILabel