v4.0›docs›training›pipeline-monai
Pipeline d'entraînement MONAI : guide complet.
Documentation officielle du pipeline d’entraînement Medicol pour modèles de segmentation 3D sur données DICOM.
📅 Mise à jour 28 avril 2026·🛠️ Niveau : intermédiaire·⏱️ 25 min
1. Pré-requis
Avant de commencer, assurez-vous d’avoir : Python 3.10+, CUDA 12.1, un GPU avec ≥ 16 Go VRAM, et accès aux données DICOM anonymisées via votre compte Medicol.
💡
Info
Si vous n’avez pas accès à un GPU local, utilisez le sandbox Medicol Cloud : 8h gratuites par mois sur GPU A100.
2. Installation
$ git clone https://github.com/medicol/medicol-train.git
$ cd medicol-train
$ pip install -e « .[dev] »
# Vérifier l’installation
$ medicol –version
medicol 4.0.1 (PyTorch 2.3.0, CUDA 12.1)
3. Configuration du pipeline
Le pipeline est configuré via un fichier YAML. Exemple minimal :
model
:
nnunet_3d
data
:
root
:
« /data/dicom/knee »
batch_size
:
4
training
:
epochs
:
50
lr
:
0.0003
⚠️
Attention
N’incluez jamais de données patient dans les commits Git. Les données doivent rester sur le stockage HDS de votre établissement.
4. Entraînement
$ medicol train –config configs/knee.yaml
5. Export ONNX
Une fois entraîné, exportez le modèle au format ONNX pour déploiement multi-plateforme :
$ medicol export –checkpoint runs/best.pt –format onnx
→ Output: model.onnx (47 MB)
6. Références
- Cardoso et al. — MONAI: An open-source framework for deep learning in healthcare. arXiv:2211.02701, 2022. ↗
- Isensee et al. — nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation. Nature Methods, 2021. ↗
- Medicol Team — Reproducible training pipelines for orthopedic AI. JMIR AI, 2026. ↗