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

• VISION: A Modular AI Assistant for Natural Human-Instrument Interaction at Scientific User Facilities [0.19736111241221438]
  生成AIは、この知識ギャップを埋める機会を提供する。 仮想科学コンパニオン(VISION)のためのモジュラーアーキテクチャを提案する。 VISIONでは低レイテンシでビームラインワークステーション上でLLMベースの動作を行い、X線散乱ビームラインで最初の音声制御実験を行った。
  論文  参考訳（メタデータ） (2024-12-24T04:37:07Z)
• Can Modern LLMs Act as Agent Cores in Radiology Environments? [54.36730060680139]
  大規模言語モデル(LLM)は、様々な領域にわたる精度と解釈性の向上を提供する。 本論文は, コンクリートラジオロジー剤構築の前提条件について検討することを目的とする。 LLMをベースとしたエージェントのための総合的な総合的総合評価データセットRadABench-Dataを提案する。 第二にRadABench-EvalPlatは、プロンプト駆動ワークフローを特徴とするエージェントのための新しい評価プラットフォームである。
  論文  参考訳（メタデータ） (2024-12-12T18:20:16Z)
• Intelligent Control of Robotic X-ray Devices using a Language-promptable Digital Twin [4.633797083336808]
  自然言語はロボットC-アームX線システムを制御するために使用できる。 専門的なAIモデルは、X線画像を解釈して推論のセマンティック表現を作成する。 我々のシステムは、言語を通して誘導される柔軟で言語に整合したAIモデルを組み込んでいる。
  論文  参考訳（メタデータ） (2024-12-11T02:00:25Z)
• ACTION: Augmentation and Computation Toolbox for Brain Network Analysis with Functional MRI [28.639321546348654]
  ActionはfMRI分析のためのPythonベースのクロスプラットフォームツールボックスである。 自動fMRI増強、血液酸素レベル依存(BOLD)シグナル増強、脳ネットワーク増強を可能にする。 大規模な補助的なラベルなしデータを活用するディープラーニングモデルの構築をサポートする。
  論文  参考訳（メタデータ） (2024-05-10T01:45:09Z)
• 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)
• 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)
• An Iterative Optimizing Framework for Radiology Report Summarization with ChatGPT [80.33783969507458]
  放射線医学報告の「印象」セクションは、放射線医と他の医師とのコミュニケーションにとって重要な基盤である。 近年の研究では、大規模医療用テキストデータを用いた印象自動生成の有望な成果が得られている。 これらのモデルは、しばしば大量の医療用テキストデータを必要とし、一般化性能が劣る。
  論文  参考訳（メタデータ） (2023-04-17T17:13:42Z)
• 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 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)
• 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。