MONAI Medical Open Network for AI)是一个基于PyTorch开发的医学影像人工智能框架。MONAI提供了许多预先训练好的模型,这些模型可以直接在不同的医学影像数据集上进行微调和预测,避免了从头开始训练模型的麻烦。
MONAI中的model zoo包括了一系列2D和3D图像分割、分类、生成等任务的预训练模型。以下是一些MONAI model zoo中的模型及其参数的简介:
2D图像分割
- UNet (https://docs.monai.io/en/latest/networks.html#unet)
- 输入通道数:1或3
- 输出通道数:与数据集中类别数相同
- 特征图通道数:(32, 64, 128, 256, 512)
- 损失函数:Dice Loss、Cross Entropy Loss等
- DeepLabV3 (https://docs.monai.io/en/latest/networks.html#deeplabv3)
- 输入通道数:1或3
- 输出通道数:与数据集中类别数相同
- 特征图通道数:(16, 32, 64, 128)
- 损失函数:Cross Entropy Loss
- VNet (https://docs.monai.io/en/latest/networks.html#vnet)
- 输入通道数:1
- 输出通道数:与数据集中类别数相同
- 特征图通道数:(16, 32, 64, 128, 256)
- 损失函数:Dice Loss、Cross Entropy Loss等
3D图像分割
- UNet3D (https://docs.monai.io/en/latest/networks.html#unet3d)
- 输入通道数:1或3
- 输出通道数:与数据集中类别数相同
- 特征图通道数:(16, 32, 64, 128, 256)
- 损失函数:Dice Loss、Cross Entropy Loss等
- VNet (https://docs.monai.io/en/latest/networks.html#vnet)
- 输入通道数:1
- 输出通道数:与数据集中类别数相同
- 特征图通道数:(16, 32, 64, 128, 256)
- 损失函数:Dice Loss、Cross Entropy Loss等
- HighResNet (https://docs.monai.io/en/latest/networks.html#highres3dnet)
- 输入通道数:1或3
- 输出通道数:与数据集中类别数相同
- 特征图通道数:(16, 32, 64, 128)
- 损失函数:Dice Loss、Cross Entropy Loss等
2D图像分类
- ResNet18 (https://docs.monai.io/en/latest/networks.html#resnet)
- 输入通道数:1或3
- 输出通道数:与数据集中类别数相同
- 特征图通道数:N/A
- 损失函数:Cross Entropy Loss
- DenseNet121 (https://docs.monai.io/en/latest/networks.html#densenet)
- 输入通道数:1或3
- 输出通道数:与数据集中类别数相同
- 特征图通道数:N/A
- 损失函数:Cross Entropy Loss
3D图像分类
- ResNet3D18 (https://docs.monai.io/en/latest/networks.html#resnet3d)
- 输入通道数:1
- 输出通道数:与数据集中类别数相同
- 特征图通道数:N/A
- 损失函数:Cross Entropy Loss
- DenseNet3D121 (https://docs.monai.io/en/latest/networks.html#densenet3d)
- 输入通道数:1
- 输出通道数:与数据集中类别数相同
- 特征图通道数:N/A
- 损失函数:Cross Entropy Loss
在使用这些预训练模型时,你可以根据自己的需要选择合适的模型,并根据具体情况调整模型的参数。MONAI model zoo中的模型通常已经在公共数据集上进行了训练和优化,因此可以直接用于实际应用场景中。需要注意的是,使用预训练模型时需要确保输入数据与模型的输入大小和通道数相匹配,否则需要进一步处理数据。