MONAI Label 是一个服务器-客户端(server-client)系统，通过使用 AI 促进交互式医学图像标注。它是一个开源且易于安装的生态系统，可以在具有单个或多个 GPU 的机器上本地运行。服务器和客户端可以设在同一台/不同的机器上工作。它与 MONAI 适配。
大白话讲：要使用 MONAI Label 进行医学数据标注，你需要有2个东西。一是一台带GPU，可以跑深度学习模型的服务器（linux 或者 windouwsd都可），二是一个可以安装如 3D slicer/QuPath/OHIF 等 monai label 支持的客户端标注软件。当然，服务器和客户端可以安装在同一台电脑上，只要满足上述条件。
然后，你就可以在 3D slicer 里面进行分割标注，它支持手动标注和AI 辅助标注。
具体流程看示意图
对于没有学过计算机的可能对客户端和服务端的概念吓到。解释一下
- 客户端：安装上述软件即可，负责执行一些操作，用于手动分割，通过鼠标点击就可以执行训练和自动分割。
标注界面可视化操作 - 服务端：其实就是安装了一个 monailabel 库，我们需要用它来辅助分割的时候，就在终端打开他就行了。
服务端只需要激活monailabel环境，启动server
标注方法
MONAI 官方提供了三个标注视频：
该教程演示如何使用 monai label 标注病理数据，内置的 pathology app 可以自动分割每一个细胞核，也可以选择你要标记的细胞核。
该教程假设已经训练好了一个分割模型，如脾脏分割模型，然后调用这个模型，得到初步的分割结果，我们对其分割不准确的地方进行二次分割（可以是手动补充，也可以使用 DeepEdit进行深度编辑）。然后将微调后的结果再次进行训练，提高分割准确率。
理想状态是，标注到后面，AI分割的准确率就越高。
工作流程： 加载一个样本 - AI预分割 - 手动修正 - AI训练 - 再次使用AI分割下一样本 - 手动修正 - AI训练 - 再次使用AI分割下一样本
如此反复，当然实际操作的时候不一定是一个样本标完训练一次，可以多标几个。也可以只标几层就开始训练。具体看任务的难易度。
第二个案例中，我们是有一个训练过的脾脏分割模型，那假如我们要标注其他的结构，如脑肿瘤，没有预训练好的模型，我们应该如何使用这个工具。
这时候就会用到迁移学习方法（不了解不重要，会用就行）
工作流程： 加载一个样本 - 手动标注几层或几例 - AI训练 - 再次使用AI分割下一样本 - 手动修正 - AI训练 - 再次使用AI分割下一样本
这里第一次就需要手动分割了，因为没有预训练好的模型。
视频前往B站查看。视频看完基本上可以解决客户端常规标注问题。如果有问题，可以加我，带你进群学习。
最后探讨一下这个工具的一些使用心得。
我第一次不知道客户端和服务端的概念，只装了客户端，所以怎么都用不了。这几天在 MONAI 官方技术支持下，成功使用了。我是做影像数据（CTT,MRI等），使用下载了3D slicer作为前端。3D slicer 本身就是一个强大的分割工具，可以用一些传统方法进行预分割（如阈值法），然后再结合 MONAI Label AI辅助功能，对我们的分割任务是可以加成的。
当然，MONAI Label 也并不是完美的，他在新的分割任务上，AI 的作用是有限的。比如要标注一个 MRI 脑肿瘤图像，你需要手动标注到一定数量才能有一定的效果，因为自己训练一个分割模型，几例数据也不可能达到很高的分割准确度。
另外，它内置的深度学习训练算法，从源代码上看到，他的一些transform变换，是基于 CT 图像做的
比如 radiology app, 他的transform直接把强度值缩到这个范围，那这个范围是不是对CT所有器官适用（至少肺部不适用），是否适用于MRI图像？
而这些内置好的训练策略目前应该是不支持用户修改的。
当然，能力强的人，自然可以选择自己写个 your app。但我也了解了一下，至少我到现在还没学会怎么自创一个 app。
最后，想要玩一玩的朋友，请看后面的安装流程，以及 MONAI Label 官方论文解析。
文章持续更新，可以关注微信公众号【医学图像人工智能实战营】获取最新动态，一个关注于医学图像处理领域前沿科技的公众号。坚持已实践为主，手把手带你做项目，打比赛，写论文。凡原创文章皆提供理论讲解，实验代码，实验数据。只有实践才能成长的更快，关注我们，一起学习进步~
我是Tina, 我们下篇博客见~
白天工作晚上写文，呕心沥血
觉得写的不错的话最后，求点赞，评论，收藏。或者一键三连
2075
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
