MONAI Label 安装流程及使用攻略

这部分为monailabel的安装实操，分为服务端安装和客户端安装。预祝大家顺利安装。如果遇到问题，可以在交流群里探讨。

在开始前，可以把以下链接打开，
官方安装教程monailabel github

服务器（Server）端安装

服务器电脑条件： 可以是 Ubuntu 和 Windows 操作系统， 但必须要有 GPU/CUDA。并能支持深度学习训练。因为会在服务器端调用训练和测试代码，没有GPU，带不动。

• step1: 新建一个 conda 环境

$: conda create -n monailabel python=3.9

官方推荐 python 3.7/3.8/3.9 版本。未验证其他 python 版本上的 MONAI LABEL 是否能正常工作。

• step2: 安装 torch 等相关库

$: proxychains pip install torch torchvision torchaudio

可以直接 pip, 但可能因为网络原因失败。失败多装几次。

$: pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu113

也可以使用镜像源安装

$: pip install torch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple

• step3: 安装 monialabel

$: pip install monailabel

此步也可以选择从 GitHub 和 Docker 安装。需要看官方教程

如图，会安装很多依赖项

终端输入检查是否成功安装

$: monailabel

• step4: monailabel 功能介绍

从上图可以看到，monailabel 有4个大功能

可以使用 monailabel -h查看简介

• start_server: 当需要用monailabel进行分割标注时，需要在服务器端启动，就用这个命令
  
  参数很多，用的时候再介绍

eg: 启动一个分割程序

$: monailabel start_server --app apps/radiology --studies datasets/Task09_Spleen/imagesTr --conf models deepedit

这里的 apps/radiology实际用的时候改为真实地址, datasets/Task09_Spleent 同理

运行的时候会下载预训练的网络，这里可以看到官方使用的模型是 dynunet

• apps: 内置一些应用，主要包括影像学应用和病理学应用，要用内置模型进行分割，需要先下载对应的模型及训练和测试程序，在这里统称为 app。
  
  一般安装monailabel后，这些应用都是自动安装的。如果没有，使用下面命令安装

$: monailabel apps --download --name radiology --output apps

这个app很关键，如果用于医学影像数据（MRI,CT等）的分割，安装 radiology app, 病理数据安装 pathology app.

• datasets: 用于下载官方提供的一些数据示例。
  
  eg: 我们使用它下载官方脾脏数据：

$: monailabel datasets -d -n Task09_Spleen -o datasets

或

$: monailabel datasets --download --name Task09_Spleen --output datasets

该数据集一共有1.5G，下载不下来的，可以私信我发给您。

• plugins: 列举或可以通过它下载一些客户端交互插件。如 cvat,dsa, ohif, qupath, slicer。

到此，服务端的安装结束。

客户端（Client）安装

何为客户端？简单讲，就是我们要在哪台电脑上安装标注软件进行分割。比如可以在你的笔记本上，也可以在你的服务器上标注，此时你的笔记本或者服务器就是客户端。

你也可以将服务端和客户端安装在同一台电脑上，也可以安装在不同的电脑上。同一台电脑之间通信肯定比其他电脑快。当然如果想随时随地都可以进行标注，安装在笔记本上也是一个不错的选择，但是速度怎么样还待考证。

目前 monailabel 支持/合作的标注软件有：

• 3D Slicer： 用于影像数据标注。⭐️⭐️⭐️⭐️⭐️
• OHIF： 用于影像数据标注。
• QuPath： 用于病理数据标注。
• Digital Slide Archive (DSA)：用于病理数据标注。
  选择适合你的标注软件进行安装，并且将 monailabel 配置到标注软件里。详细教程参考官方插件安装说明

因为我是做影像数据的，所以下面以 3D slicer为例，进行安装演示。

• step1: 3D slicer 下载&安装

3D slicer下载地址

官方推荐下载 Preview version 版本进行下载安装

• step2: 打开 3D slicer，配置 MONAI Label

打开软件，然后通过下面路径找到 MONAI Label 安装它

go to View -> Extension Manager -> Active Learning -> MONAI Label

安装后重启3D slicer

重启之后在工具栏可以看到 monai 图标。

如果没有，可以通过点击 modules 旁边的放大镜，搜索 MONAILabel, 然后点击 switch to mudule就可以使用了

要将插件更新到最新版本，您必须卸载现有的 3D Slicer 版本并再次下载并安装新的 3D Slicer Preview version版本。(其实稳定版也可以，随便)

到这一步，服务器和客户端都已经安装完毕。

标注测试

此过程主要学习客户端和服务端的交互，确保二者可以进行通信。

Case 1：服务器端和客户端在同一台电脑

• step1：服务器端启动server

$: monailabel start_server --app apps/radiology --studies datasets/Task09_Spleen/imagesTr --conf models deepedit

这里的 apps/radiology实际用的时候改为真实地址，datasets/Task09_Spleent同理.

运行时，会看到它会去github下载预训练好的模型，这一过程如果没有科学&上网可能会断掉。

解决办法：

1.采用代理

2.去它给的地址下载下来，放在文件夹下（上图中，from后面的是模型地址，from前面是下载后放的地址），它就不会重复下载了。服务端运行好后，会在最后给一个网址及端口号，把它复制到3D slicer里面。测试能否连接成功。

Case 2：服务器端和客户端不在同一台电脑
这和case1唯一不同的是，不能直接复制服务端给的网址（http://0.0.0.0:8000), 而要改为服务端真实的ip地址（eg: http://10.23.4.1:8000）

ip的获取在终端可用 ifconfig 命令查到。

当然测试的时候也是遇到了很多bug:

• train时提示内存不足

（out of memory）
出现这个原因是我发现他用的GPU刚好是一块最小的GPU，把它切换成正常可用的GPU就行了。

只需要在服务端启动server时指定显卡即可。

CUDA_VISIBLE_DEVICES=x monailabel start_server --app apps/radiology --studies datasets/Task09_Spleen/imagesTr --conf models deepedit

x=你的GPU卡号，如 x=0或1或2,也可设置多块，x=0,1， 也可以等于全部 x=all

文章持续更新，可以关注微信公众号【医学图像人工智能实战营】获取最新动态，一个关注于医学图像处理领域前沿科技的公众号。坚持已实践为主，手把手带你做项目，打比赛，写论文。凡原创文章皆提供理论讲解，实验代码，实验数据。只有实践才能成长的更快，关注我们，一起学习进步~

我是Tina, 我们下篇博客见~

白天工作晚上写文，呕心沥血