这篇文章最初发表在 NVIDIA 技术博客上。
AI 越来越多地用于改善医学成像，以进行健康筛查和风险评估。例如，医学影像分割可为肿瘤检测和治疗规划提供重要数据。然而，医学影像的独特性和多样性使得实现一致、可靠的结果具有挑战性。
NVIDIA MONAI Cloud API 帮助解决这些挑战，简化了平台集成商的 AI 功能和基础设施设置之旅。本文介绍了 NVIDIA MONAI Cloud API、VISTA-3D 和 Auto3DSeg，并解释了如何同时使用它们来实现自适应 3D 医学成像。
NVIDIA MONAI Cloud API 可提供低延迟、交互式且经济高效的 AI 辅助标注工作流。借助持续学习机制，该模型可适应新的真实数据，使其能够随着时间的推移保持相关性和可靠性。
使用 VISTA-3D 进行交互式标注
VISTA-3D 基于大量数据集进行训练，是用于 3D 医学成像的专用交互式基础模型。VISTA -- 3D 为 NVIDIA MONAI Cloud API 交互式注释提供支持，可跨解剖结构和模式提供准确且适应性强的分割分析。它可以处理各种任务，并适应不同的条件和解剖区域。这种通用性降低了成本并加快了 AI 成像工作流程，而无需复杂的模型选择和适应性。
在医学影像标注领域，VISTA-3D 代表了一种变革性的方法。通过融合语义分割和交互性，它弥合了 AI 与人类专家(例如，生物成像科学家和放射科医生)之间的差距。VISTA -- 3D 为这些专业人士提供了一个不断发展的 AI 模型，可确保高精度和易用性。
VISTA-3D 的核心是三个适应性强、用户友好型工作流程：
-
**分割所有内容：**对整个图像进行探索有助于了解影响多个器官的疾病或进行整体治疗规划。
-
使用类别进行分割：详细的剖面视图可以按特定类别进行筛选，用于针对特定疾病或器官的定向分析；这对于绘制器官肿瘤图非常重要。
-
**Segment Point 提示：**用户可以通过单击选择感兴趣的区域，进行反馈引导的图像分割，这样不仅提高了准确性，也能更快地创建真值数据。
得益于交互式系统和自动系统的融合，VISTA-3D 架构的平均子得分约为 0.91，令人印象深刻。这种基础灵活性使用户能够根据任务快速定制模型。
图 1.VISTA-3D 架构融合了用于模型裁剪的自动系统和交互式系统
使用 Auto3DSeg 进行 AI 模型训练
基于MONAI 的 Auto3DSeg 由先进的 GPU 支持，为开发者提供了实现顶尖 3D 医学影像分割的工具。Auto3DSeg 的计算效率已经过优化，确保了快速训练，同时最大化了 GPU 的计算潜能。
Auto3DSeg 利用 MONAI 组件实现了先进的分割性能。一个MONAI 捆绑包提供了更加个性化的解决方案。MONAI 捆绑包定义了一种打包网络或模型的方式，其中包含了用户和程序了解模型使用方法和用途所需的全部信息。您可以将自己的 MONAI 捆绑包用于训练，并充分利用其强大且可扩展的训练基础设施。
获得标注数据后，请使用自定义模型训练或 Auto3DSeg 来优化模型开发体验。
训练的关键在于灵活性 -- 带上您独有的 MONAI 捆绑包，并在 NVIDIA MONAI Cloud API 平台上轻松查看训练规模。
如果您的目标是实现自动化，Auto3DSeg 就是您的答案。Auto3DSeg 专为开发者而设计，具有以下创新功能：
-
**数据驱动的模型选择：**Auto3DSeg 提供了智能化的自动选择功能。通过分析带有标注的成像数据集，Auto3DSeg 能够自动选择并调整最适合的模型架构。这确保了模型的性能专门针对您的数据进行了优化。
-
简化开发周期：Auto3DSeg 大大简化了开发周期。它通过整合自动并行训练和超参数优化来降低复杂性，加快了从数据集分析到创建部署就绪型模型的整个过程，节省了时间和资源。
-
经过验证的先进分割性能：Auto3DSeg 在多个分割挑战赛中屡获殊荣，尤其在 MICCAI 主办的 BraTS 2023、KiTS 2023、SEG.A 2023 和 MVSEG 2023 等比赛中拔得头筹。
图 2.Auto3DSeg 工作流程
总结
致力于医学影像领域创新的平台集成商可以充分利用 NVIDIA MONAI Cloud API 的功能，加速其医学影像 AI 模型的开发。这种方法可以减少运营开销，并以简化的方式立即获得加速计算和 AI 功能。
要探索 VISTA-3D、自定义模型训练和 Auto3DSeg，请注册抢先体验计划。要试用 VISTA-3D，请访问NVIDIA AI 基础模型，将于 11 月 27 日开始。