MONAI

MONAI は NVIDIA と King's College London が発起したオープンソースの医療画像 AI フレームワークで、PyTorch ネイティブの演算子によってアノテーションから学習、デプロイまでを一つの流れにつなぎます。深層学習の基礎を持つアルゴリズムチーム向けのツールであり、ノーコードツールでも医療機器でもありません。

主な機能

• 画像ネイティブな I/O: DICOM / NIfTI と 2D-4D の読み書きを標準で備え、スペーシングを考慮した変換と辞書ベースの同期により、画像とラベルを常に一致させます。
• セグメンテーション指標と損失関数: Dice、Hausdorff、表面距離を GPU 上でバッチ計算し、DiceCE / Focal はクラス不均衡の大きい解剖構造に対処します。
• 三段構成のパイプライン: Label がアクティブラーニングによるアノテーション（3D Slicer と連携）、Core が学習、Deploy が DICOM を読み込む MAP コンテナへの梱包を担います。
• リファレンス実装ライブラリ: MAISI による 3D CT の合成、UNETR / SwinUNETR のバックボーン、VISTA-3D による汎用セグメンテーション（127 クラス）、Auto3DSeg を提供します。
• Bundle 納品仕様: 重み、設定、コード、メタデータを再現可能な一つの単位にまとめ、Core が生成し、Label が利用し、Deploy が MAP に梱包します。

適用シーン 医療画像のセグメンテーション、分類、生成に取り組むアルゴリズムチーム、ラジオミクス研究、病院の AI センターでのモデル検証、そして論文のモデルを PACS につなぎたいエンジニアリング側です。

独自の強み 汎用フレームワークは学習まではできても、病院で実際に動くものを納品することはできません。MONAI は再現性と納品を仕様として定義しており、Metrics Reloaded のリファレンス実装もここにあります。3D Slicer は読影の作業台、SimpleITK は前処理、nnU-Net はベースラインであり、MONAI は全工程をカバーし、納品フォーマットも備えています。

編集部の評価 Apache 2.0、GitHub スター 8,843、コントリビューター 332 名、バージョン番号付き Bundle を 42 個そろえた Model Zoo、そして NVIDIA、NIH、Mayo Clinic、DKFZ など 30+ 機関による共同メンテナンス。選定にあたってほとんど議論は要りません。押さえておきたい境界は二つです。PyTorch の基礎が必要であること、そして本フレームワークは医療機器ではないため、規制対応は採用側の負担であること。Core から始め、Label でアノテーションを補い、最後に Deploy で実運用に落とすことをお勧めします。