論文の概要: DARWIN: A Highly Flexible Platform for Imaging Research in Radiology
- arxiv url: http://arxiv.org/abs/2009.00908v1
- Date: Wed, 2 Sep 2020 09:19:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-22 19:45:02.164374
- Title: DARWIN: A Highly Flexible Platform for Imaging Research in Radiology
- Title(参考訳): DARWIN:放射線学のイメージング研究のための高柔軟性プラットフォーム
- Authors: Lufan Chang, Wenjing Zhuang, Richeng Wu, Sai Feng, Hao Liu, Jing Yu,
Jia Ding, Ziteng Wang, Jiaqi Zhang
- Abstract要約: 私たちのプラットフォームは、放射能モジュールとディープラーニングモジュールで構成されています。
放射能モジュールは1000以上の次元の特徴を抽出することができる。
我々のディープラーニングモジュールは、分類、検出、セグメンテーションタスクの最先端のアーキテクチャを統合する。
- 参考スコア(独自算出の注目度): 10.514502166952695
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To conduct a radiomics or deep learning research experiment, the radiologists
or physicians need to grasp the needed programming skills, which, however,
could be frustrating and costly when they have limited coding experience. In
this paper, we present DARWIN, a flexible research platform with a graphical
user interface for medical imaging research. Our platform is consists of a
radiomics module and a deep learning module. The radiomics module can extract
more than 1000 dimension features(first-, second-, and higher-order) and
provided many draggable supervised and unsupervised machine learning models.
Our deep learning module integrates state of the art architectures of
classification, detection, and segmentation tasks. It allows users to manually
select hyperparameters, or choose an algorithm to automatically search for the
best ones. DARWIN also offers the possibility for users to define a custom
pipeline for their experiment. These flexibilities enable radiologists to carry
out various experiments easily.
- Abstract(参考訳): 放射線学や深層学習の実験を行うためには、放射線科医や医師は必要なプログラミングスキルを理解する必要がある。
本稿では,医用画像研究のためのグラフィカルユーザインタフェースを備えたフレキシブルな研究プラットフォームであるDARWINを提案する。
当社のプラットフォームは、放射線モジュールとディープラーニングモジュールで構成されています。
放射能モジュールは1000以上の次元特徴(一階、二階、高階)を抽出することができ、多くのドラッグ可能な教師付きおよび教師なし機械学習モデルを提供する。
当社のディープラーニングモジュールは、分類、検出、およびセグメンテーションタスクの最先端の技術アーキテクチャを統合しています。
ユーザーは手動でハイパーパラメータを選択したり、アルゴリズムを選択して最適なパラメータを自動的に検索することができる。
DARWINはまた、ユーザが実験用にカスタムパイプラインを定義することを可能にする。
これらの柔軟性により、放射線科医は様々な実験を簡単に行うことができる。
関連論文リスト
- I-AI: A Controllable & Interpretable AI System for Decoding
Radiologists' Intense Focus for Accurate CXR Diagnoses [9.260958560874812]
解釈可能な人工知能(I-AI)は、新しく統一された制御可能な解釈可能なパイプラインである。
私たちのI-AIは、放射線科医がどこに見えるか、特定の領域にどのくらい焦点を合わせるか、どの発見を診断するか、という3つの重要な疑問に対処しています。
論文 参考訳(メタデータ) (2023-09-24T04:48:44Z) - DeepMediX: A Deep Learning-Driven Resource-Efficient Medical Diagnosis
Across the Spectrum [15.382184404673389]
この作業では,この課題に大きく対処する,画期的な,リソース効率の高いモデルである textttDeepMediX が紹介されている。
MobileNetV2アーキテクチャ上に構築されたDeepMediXは、脳MRIスキャンと皮膚がん画像の分類に長けている。
DeepMediXの設計にはフェデレートラーニングの概念も含まれている。
論文 参考訳(メタデータ) (2023-07-01T12:30:58Z) - XrayGPT: Chest Radiographs Summarization using Medical Vision-Language
Models [60.437091462613544]
我々は,会話型医療ビジョン言語モデルであるXrayGPTを紹介する。
胸部X線写真に関するオープンエンドの質問を分析し、答えることができる。
自由テキストラジオグラフィーレポートから217kの対話的かつ高品質な要約を生成する。
論文 参考訳(メタデータ) (2023-06-13T17:59:59Z) - medigan: A Python Library of Pretrained Generative Models for Enriched
Data Access in Medical Imaging [3.8568465270960264]
mediganは、オープンソースのフレームワークに依存しないPythonライブラリとして実装された、事前訓練された生成モデルのワンストップショップである。
研究者や開発者は、ほんの数行のコードでトレーニングデータを作成し、拡大し、ドメインに適応することができる。
ライブラリのスケーラビリティと設計は、統合され、容易に利用できる事前訓練された生成モデルの増加によって実証される。
論文 参考訳(メタデータ) (2022-09-28T23:45:33Z) - CorpusBrain: Pre-train a Generative Retrieval Model for
Knowledge-Intensive Language Tasks [62.22920673080208]
単一ステップ生成モデルは、検索プロセスを劇的に単純化し、エンドツーエンドで最適化することができる。
我々は、事前学習された生成検索モデルをCorpsBrainと名付け、コーパスに関する全ての情報が、追加のインデックスを構築することなく、そのパラメータにエンコードされる。
論文 参考訳(メタデータ) (2022-08-16T10:22:49Z) - PyHealth: A Python Library for Health Predictive Models [53.848478115284195]
PyHealthは、医療データ上で様々な予測モデルを開発するためのオープンソースのPythonツールボックスである。
データ前処理モジュールにより、複雑なヘルスケアデータセットを機械学習フレンドリーなフォーマットに変換できます。
予測モデリングモジュールは、確立されたアンサンブルツリーとディープニューラルネットワークベースのアプローチを含む30以上の機械学習モデルを提供します。
論文 参考訳(メタデータ) (2021-01-11T22:02:08Z) - Learning Discrete Energy-based Models via Auxiliary-variable Local
Exploration [130.89746032163106]
離散構造データに対する条件付きおよび非条件付きEMMを学習するための新しいアルゴリズムであるALOEを提案する。
エネルギー関数とサンプリング器は、新しい変分型電力繰り返しにより効率よく訓練できることを示す。
本稿では、ソフトウェアテストのためのエネルギーモデルガイド付ファジィザについて、libfuzzerのようなよく設計されたファジィエンジンに匹敵する性能を実現する。
論文 参考訳(メタデータ) (2020-11-10T19:31:29Z) - Learning Invariant Feature Representation to Improve Generalization
across Chest X-ray Datasets [55.06983249986729]
我々は、トレーニングデータと同じデータセットでテストすると、ディープラーニングモデルが、異なるソースからデータセットでテストされると、パフォーマンスが低下し始めることを示す。
対戦型トレーニング戦略を用いることで、ネットワークはソース不変表現を学習せざるを得ないことを示す。
論文 参考訳(メタデータ) (2020-08-04T07:41:15Z) - Multi-Modality Information Fusion for Radiomics-based Neural
Architecture Search [10.994223928445589]
既存の放射能法では、手作りの放射能の特徴とその抽出と選択が必要である。
畳み込みニューラルネットワーク(CNN)に基づく最近の放射線学手法も、ネットワークアーキテクチャ設計において手動入力を必要とする。
放射能に最適なマルチモーダル画像特徴を自動的に導出するマルチモーダルニューラルネットワーク探索法(MM-NAS)を提案する。
論文 参考訳(メタデータ) (2020-07-12T14:35:13Z) - PHOTONAI -- A Python API for Rapid Machine Learning Model Development [2.414341608751139]
PHOTONAIは、機械学習モデル開発の簡素化と高速化を目的とした、ハイレベルなPython APIである。
これは統一フレームワークとして機能し、ユーザーは異なるツールボックスからのアルゴリズムをカスタムのアルゴリズムシーケンスに簡単にアクセスし、組み合わせることができる。
論文 参考訳(メタデータ) (2020-02-13T10:33:05Z) - A System for Real-Time Interactive Analysis of Deep Learning Training [66.06880335222529]
現在利用可能なシステムは、トレーニングプロセスが始まる前に指定しなければならないログデータのみを監視することに限定されている。
本稿では,リアルタイム情報を生成するライブプロセス上で対話型クエリを実行可能にするシステムを提案する。
論文 参考訳(メタデータ) (2020-01-05T11:33:31Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。