論文の概要: GaNDLF: A Generally Nuanced Deep Learning Framework for Scalable End-to-End Clinical Workflows in Medical Imaging

• arxiv url: http://arxiv.org/abs/2103.01006v4
• Date: Tue, 16 May 2023 12:49:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-17 20:23:27.964295
• Title: GaNDLF: A Generally Nuanced Deep Learning Framework for Scalable End-to-End Clinical Workflows in Medical Imaging
• Title（参考訳）: GaNDLF:医療画像におけるスケーラブルなエンドツーエンド臨床ワークフローのための一般向けディープラーニングフレームワーク
• Authors: Sarthak Pati, Siddhesh P. Thakur, \.Ibrahim Ethem Hamamc{\i}, Ujjwal Baid, Bhakti Baheti, Megh Bhalerao, Orhun G\"uley, Sofia Mouchtaris, David Lang, Spyridon Thermos, Karol Gotkowski, Camila Gonz\'alez, Caleb Grenko, Alexander Getka, Brandon Edwards, Micah Sheller, Junwen Wu, Deepthi Karkada, Ravi Panchumarthy, Vinayak Ahluwalia, Chunrui Zou, Vishnu Bashyam, Yuemeng Li, Babak Haghighi, Rhea Chitalia, Shahira Abousamra, Tahsin M. Kurc, Aimilia Gastounioti, Sezgin Er, Mark Bergman, Joel H. Saltz, Yong Fan, Prashant Shah, Anirban Mukhopadhyay, Sotirios A. Tsaftaris, Bjoern Menze, Christos Davatzikos, Despina Kontos, Alexandros Karargyris, Renato Umeton, Peter Mattson, Spyridon Bakas
• Abstract要約: コミュニティ主導型汎用ディープラーニングフレームワークGaNDLF(Generally Nuanced Deep Learning Framework)について紹介する。 GaNDLFは、DL開発、トレーニング、推論のメカニズムをより安定させ、再現可能で、解釈可能で、スケーラブルにする。 放射線画像と病理画像の両方をGaNDLFで解析し,k-foldクロスバリデーションをサポートした。
• 参考スコア（独自算出の注目度）: 76.38169390121057
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep Learning (DL) has the potential to optimize machine learning in both the scientific and clinical communities. However, greater expertise is required to develop DL algorithms, and the variability of implementations hinders their reproducibility, translation, and deployment. Here we present the community-driven Generally Nuanced Deep Learning Framework (GaNDLF), with the goal of lowering these barriers. GaNDLF makes the mechanism of DL development, training, and inference more stable, reproducible, interpretable, and scalable, without requiring an extensive technical background. GaNDLF aims to provide an end-to-end solution for all DL-related tasks in computational precision medicine. We demonstrate the ability of GaNDLF to analyze both radiology and histology images, with built-in support for k-fold cross-validation, data augmentation, multiple modalities and output classes. Our quantitative performance evaluation on numerous use cases, anatomies, and computational tasks supports GaNDLF as a robust application framework for deployment in clinical workflows.
• Abstract（参考訳）: ディープラーニング(DL)は、科学コミュニティと臨床コミュニティの両方で機械学習を最適化する可能性がある。 しかし、DLアルゴリズムの開発にはさらなる専門知識が必要であり、実装の多様性が再現性、翻訳、展開を妨げる。 ここでは,コミュニティ主導のGANDLF(Generally Nuanced Deep Learning Framework)を紹介する。 GaNDLFは、DL開発、トレーニング、推論のメカニズムをより安定させ、再現可能で、解釈可能で、スケーラブルで、広範な技術的背景を必要としない。 GaNDLFは、計算精度医学における全てのDL関連タスクに対してエンドツーエンドのソリューションを提供することを目的としている。 我々は,K-foldクロスバリデーション,データ拡張,多重モダリティ,出力クラスを内蔵したGaNDLFによる放射線画像と組織像の両方の解析能力を示した。 臨床ワークフローに展開するロバストなアプリケーションフレームワークとしてGaNDLFを, 多数のユースケース, 解剖, 計算タスクで定量的に評価する。

関連論文リスト

• Nested Deep Learning Model Towards A Foundation Model for Brain Signal Data [12.98830356097411]
  本稿では,現在の手法の限界を克服するための新しいNested Deep Learning(NDL)フレームワークを提案する。 NDLは全てのチャネルに重み付けされた信号の組み合わせを適用し、異なるチャネル設定への適応性を確保する。 その結果,NDLは予測精度を向上し,モダリティ間のデータ統合をサポートし,様々な神経生理学的応用のために微調整できることがわかった。
  論文  参考訳（メタデータ） (2024-10-04T07:06:02Z)
• LoRKD: Low-Rank Knowledge Decomposition for Medical Foundation Models [59.961172635689664]
  知識分解」は、特定の医療課題のパフォーマンス向上を目的としている。 我々はLow-Rank Knowledge Decomposition(LoRKD)という新しいフレームワークを提案する。 LoRKDは、低ランクのエキスパートモジュールと効率的な知識分離畳み込みを組み込むことで、グラデーションを異なるタスクから明確に分離する。
  論文  参考訳（メタデータ） (2024-09-29T03:56:21Z)
• Parameter-Efficient Fine-Tuning for Continual Learning: A Neural Tangent Kernel Perspective [125.00228936051657]
  本稿では,タスク関連機能を適応的に生成しながら,タスク固有のパラメータ記憶を不要にする新しいフレームワークNTK-CLを紹介する。 最適化可能なパラメータを適切な正規化で微調整することにより、NTK-CLは確立されたPEFT-CLベンチマーク上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-07-24T09:30:04Z)
• ProtoAL: Interpretable Deep Active Learning with prototypes for medical imaging [0.6292138336765966]
  本稿では,解釈可能なDLモデルをDeep Active Learningフレームワークに統合するProtoAL手法を提案する。 我々は,Messidorデータセット上でProtoALを評価し,精度-リコール曲線0.79の領域を実現するとともに,利用可能なラベル付きデータの76.54%しか利用していない。
  論文  参考訳（メタデータ） (2024-04-06T21:39:49Z)
• fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
  本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。 我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。 コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
  論文  参考訳（メタデータ） (2023-11-01T07:24:22Z)
• Deep Learning and Computer Vision for Glaucoma Detection: A Review [0.8379286663107844]
  緑内障は世界中で不可逆的な盲目の原因となっている。 コンピュータビジョンとディープラーニングの最近の進歩は、自動評価の可能性を示している。 眼底,光コヒーレンス断層撮影,視野画像を用いたAIによる緑内障の診断に関する最近の研究について調査した。
  論文  参考訳（メタデータ） (2023-07-31T09:49:51Z)
• Using Gradient to Boost the Generalization Performance of Deep Learning Models for Fluid Dynamics [0.0]
  本稿では,Deep Learningの一般化能力を高めるための新しい研究について述べる。 我々の戦略は、DLネットワークのより良い一般化に向けた良い結果を示している。
  論文  参考訳（メタデータ） (2022-10-09T10:20:09Z)
• REET: Robustness Evaluation and Enhancement Toolbox for Computational Pathology [1.452875650827562]
  計算病理学応用のための最初のドメイン固有ロバストネス評価・拡張ツールボックス(REET)を提案する。 REETは予測モデルの堅牢性評価を可能にするアルゴリズム戦略のスイートを提供する。 REETはまた、計算病理学におけるディープラーニングパイプラインの効率的で堅牢なトレーニングを可能にする。
  論文  参考訳（メタデータ） (2022-01-28T18:23:55Z)
• CogDL: A Comprehensive Library for Graph Deep Learning [55.694091294633054]
  研究者や実践者が実験を行い、メソッドを比較し、簡単かつ効率的にアプリケーションを構築することができるグラフ深層学習ライブラリであるCogDLを紹介します。 CogDLでは,様々なグラフタスクに対するGNNモデルのトレーニングと評価のための統一設計を提案し,既存のグラフ学習ライブラリに固有のものである。 我々はCogDLのための効率的なスパース演算子を開発し、効率性のための最も競争力のあるグラフライブラリとなる。
  論文  参考訳（メタデータ） (2021-03-01T12:35:16Z)
• A Meta-embedding-based Ensemble Approach for ICD Coding Prediction [64.42386426730695]
  国際疾病分類 (icd) は、世界中で臨床コーディングに使われているデファクトコードである。 これらのコードにより、医療提供者は償還を請求し、診断情報の効率的な保管と検索を容易にします。 提案手法は,日常的な医学データと科学論文の外部知識を用いて,効果的に単語ベクトルを訓練することにより,神経モデルの性能を高める。
  論文  参考訳（メタデータ） (2021-02-26T17:49:58Z)

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。