MONAI

MONAI 是 NVIDIA 与 King's College London 发起的开源医学影像 AI 框架，用 PyTorch 原生算子打通标注、训练到部署的链路。它面向有深度学习基础的算法团队，不是零代码工具，也不是医疗器械。

核心能力

• 影像原生 I/O：内置 DICOM / NIfTI 与 2D-4D 读写，间距感知变换配字典式同步，图像与标签始终对齐。
• 分割指标与损失：Dice、Hausdorff、表面距离 GPU 批量算，DiceCE / Focal 专治类别不均衡的解剖结构。
• 三段式流水线：Label 做主动学习标注（接 3D Slicer），Core 训练，Deploy 打成读 DICOM 的 MAP 容器。
• 参考实现库：MAISI 合成 3D CT、UNETR / SwinUNETR 骨干、VISTA-3D 通用分割（127 类）、Auto3DSeg。
• Bundle 交付规范：权重、配置、代码与元数据打成一个可复现单元，Core 产出、Label 消费、Deploy 包进 MAP。

适用场景 医学影像分割、分类与生成的算法团队，影像组学科研，医院 AI 中心的模型验证，以及要把论文模型接进 PACS 的工程侧。

独特优势 通用框架能训练，却交不出「医院真能跑的东西」；MONAI 把复现与交付写成规范，Metrics Reloaded 的参考实现就放在这里。3D Slicer 是阅片台、SimpleITK 做预处理、nnU-Net 给基线，它覆盖全流程且自带交付格式。

编辑评价 Apache 2.0、GitHub 8,843 星、332 名贡献者，Model Zoo 42 个带版本号 Bundle，NVIDIA、NIH、Mayo Clinic、DKFZ 等 30+ 机构共同维护，选型几乎不用论证。两条边界要记住：需 PyTorch 基础；框架不是医疗器械，监管路径由采用方自担。推荐从 Core 起手，用 Label 补标注，最后由 Deploy 落地。