当前位置：网站首页>MONAI Label -- 使用 AI 加速你的分割标注

MONAI Label -- 使用 AI 加速你的分割标注

2022-07-21 11:15:00 【Tina姐】

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：

MONAI快速上手（一）在QuPath中使用MONAILabel AI辅助标注功能进行病理数据细胞核的标注

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。

MONAI快速上手（二）在3dslicer中使用MONAILabel AI辅助标注功能加速医疗影像数据分割标注

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。

如何在没有标注模型的情况下，使用 MONAILabel 快速训练一个CT图片深度学习标注模型

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？