論文の概要: pymia: A Python package for data handling and evaluation in deep
learning-based medical image analysis
- arxiv url: http://arxiv.org/abs/2010.03639v2
- Date: Wed, 28 Apr 2021 13:25:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-10 00:05:49.740735
- Title: pymia: A Python package for data handling and evaluation in deep
learning-based medical image analysis
- Title（参考訳）: pymia: 深層学習に基づく医用画像解析におけるデータ処理と評価のためのPythonパッケージ
- Authors: Alain Jungo, Olivier Scheidegger, Mauricio Reyes, Fabian Balsiger
- Abstract要約: pymiaは、医療画像解析におけるデータ処理と評価のためのオープンソースのPythonパッケージである。
このパッケージは非常に柔軟で、高速なプロトタイピングを可能にし、データハンドリングルーチンの実装の負担を軽減する。
ピミアは、セグメンテーション、再構成、回帰のための様々な研究プロジェクトでうまく使われた。
- 参考スコア（独自算出の注目度）: 0.9176056742068814
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Background and Objective: Deep learning enables tremendous progress in
medical image analysis. One driving force of this progress are open-source
frameworks like TensorFlow and PyTorch. However, these frameworks rarely
address issues specific to the domain of medical image analysis, such as 3-D
data handling and distance metrics for evaluation. pymia, an open-source Python
package, tries to address these issues by providing flexible data handling and
evaluation independent of the deep learning framework.
Methods: The pymia package provides data handling and evaluation
functionalities. The data handling allows flexible medical image handling in
every commonly used format (e.g., 2-D, 2.5-D, and 3-D; full- or patch-wise).
Even data beyond images like demographics or clinical reports can easily be
integrated into deep learning pipelines. The evaluation allows stand-alone
result calculation and reporting, as well as performance monitoring during
training using a vast amount of domain-specific metrics for segmentation,
reconstruction, and regression.
Results: The pymia package is highly flexible, allows for fast prototyping,
and reduces the burden of implementing data handling routines and evaluation
methods. While data handling and evaluation are independent of the deep
learning framework used, they can easily be integrated into TensorFlow and
PyTorch pipelines. The developed package was successfully used in a variety of
research projects for segmentation, reconstruction, and regression.
Conclusions: The pymia package fills the gap of current deep learning
frameworks regarding data handling and evaluation in medical image analysis. It
is available at https://github.com/rundherum/pymia and can directly be
installed from the Python Package Index using pip install pymia.
- Abstract（参考訳）: 背景と目的: 深層学習は医療画像解析の大幅な進歩を可能にする。
この進歩の原動力は、tensorflowやpytorchといったオープンソースのフレームワークだ。
しかし、これらのフレームワークは3次元データハンドリングや距離測定など、医療画像分析の領域に特有の問題にほとんど対処しない。
オープンソースのPythonパッケージであるpymiaは、柔軟なデータハンドリングとディープラーニングフレームワークに依存しない評価を提供することで、これらの問題に対処しようとしている。
メソッド:pymiaパッケージはデータハンドリングと評価機能を提供します。
データハンドリングは、一般的なすべてのフォーマット(例えば、2-D、2.5-D、および3D;フルまたはパッチワイズ)で柔軟な医療画像ハンドリングを可能にする。
人口統計や臨床報告のような画像以外のデータも、容易にディープラーニングパイプラインに統合できる。
この評価により、独立した結果の計算とレポート、およびセグメンテーション、再構築、回帰のための膨大なドメイン固有のメトリクスを使用したトレーニング中のパフォーマンス監視が可能になる。
結果:pymiaパッケージは柔軟性が高く,高速なプロトタイピングが可能で,データハンドリングルーチンや評価手法の実装の負担を軽減する。
データハンドリングと評価は、使用するディープラーニングフレームワークとは独立しているが、TensorFlowとPyTorchパイプラインに簡単に統合できる。
開発パッケージは、セグメンテーション、再構築、回帰といった様々な研究プロジェクトでうまく使用された。
結論: ピミアパッケージは、医療画像解析におけるデータ処理と評価に関する現在のディープラーニングフレームワークのギャップを埋める。
https://github.com/rundherum/pymiaで利用可能で、pip install pymiaを使ってPython Package Indexから直接インストールできる。
関連論文リスト
- Comgra: A Tool for Analyzing and Debugging Neural Networks [35.89730807984949]
PyTorchで使用するオープンソースのpythonライブラリであるcomgraを紹介します。
Comgraはモデルの内部アクティベーションに関するデータを抽出し、GUIで整理する。
要約統計と個々のデータポイントの両方を示し、トレーニングの初期段階と後期を比較し、関心のある個々のサンプルに注目し、ネットワークを通しての勾配の流れを可視化する。
論文 参考訳（メタデータ） (2024-07-31T14:57:23Z) - pyvene: A Library for Understanding and Improving PyTorch Models via
Interventions [79.72930339711478]
$textbfpyvene$は、さまざまなPyTorchモジュールに対するカスタマイズ可能な介入をサポートするオープンソースライブラリである。
私たちは、$textbfpyvene$が、ニューラルモデルへの介入を実行し、他のモデルとインターバルされたモデルを共有するための統一されたフレームワークを提供する方法を示します。
論文 参考訳（メタデータ） (2024-03-12T16:46:54Z) - PyPOTS: A Python Toolbox for Data Mining on Partially-Observed Time
Series [0.0]
PyPOTSは、部分的に保存された時系列のデータマイニングと分析に特化した、オープンソースのPythonライブラリである。
これは、計算、分類、クラスタリング、予測の4つのタスクに分類される多様なアルゴリズムに容易にアクセスできる。
論文 参考訳（メタデータ） (2023-05-30T07:57:05Z) - DADApy: Distance-based Analysis of DAta-manifolds in Python [51.37841707191944]
DADApyは、高次元データの分析と特徴付けのためのピソンソフトウェアパッケージである。
固有次元と確率密度を推定し、密度に基づくクラスタリングを行い、異なる距離メトリクスを比較する方法を提供する。
論文 参考訳（メタデータ） (2022-05-04T08:41:59Z) - MISeval: a Metric Library for Medical Image Segmentation Evaluation [1.4680035572775534]
Pythonには標準化され再現可能な評価のための普遍的なメートル法ライブラリがない。
医用画像評価のためのメトリクスライブラリMISevalを提案する。
論文 参考訳（メタデータ） (2022-01-23T23:06:47Z) - Scikit-dimension: a Python package for intrinsic dimension estimation [58.8599521537]
この技術ノートは、固有次元推定のためのオープンソースのPythonパッケージであるtextttscikit-dimensionを紹介している。
textttscikit-dimensionパッケージは、Scikit-learnアプリケーションプログラミングインターフェイスに基づいて、既知のID推定子のほとんどを均一に実装する。
パッケージを簡潔に記述し、実生活と合成データにおけるID推定手法の大規模(500以上のデータセット)ベンチマークでその使用を実証する。
論文 参考訳（メタデータ） (2021-09-06T16:46:38Z) - QuaPy: A Python-Based Framework for Quantification [76.22817970624875]
QuaPyは、定量化を行うためのオープンソースのフレームワークである(例えば、教師付き精度推定)。
Pythonで書かれており、pip経由でインストールできる。
論文 参考訳（メタデータ） (2021-06-18T13:57:11Z) - 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) - TorchIO: A Python library for efficient loading, preprocessing,
augmentation and patch-based sampling of medical images in deep learning [68.8204255655161]
我々はTorchIOというオープンソースのPythonライブラリを紹介し、ディープラーニングのための医療画像の効率的なロード、前処理、拡張、パッチベースのサンプリングを可能にする。
TorchIOはPyTorchのスタイルに従い、標準的な医用画像処理ライブラリを統合して、ニューラルネットワークのトレーニング中に画像を効率的に処理する。
Pythonを使わずに、画像ファイルに変換を適用できるコマンドラインインターフェースが含まれている。
論文 参考訳（メタデータ） (2020-03-09T13:36:16Z)
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。