論文の概要: Highdicom: A Python library for standardized encoding of image
annotations and machine learning model outputs in pathology and radiology
- arxiv url: http://arxiv.org/abs/2106.07806v1
- Date: Mon, 14 Jun 2021 23:42:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-17 06:19:48.675446
- Title: Highdicom: A Python library for standardized encoding of image
annotations and machine learning model outputs in pathology and radiology
- Title（参考訳）: Highdicom: 画像アノテーションの標準化と病理学および放射線学における機械学習モデル出力のためのPythonライブラリ
- Authors: Christopher P. Bridge, Chris Gorman, Steven Pieper, Sean W. Doyle,
Jochen K. Lennerz, Jayashree Kalpathy-Cramer, David A. Clunie, Andriy Y.
Fedorov, Markus D. Herrmann
- Abstract要約: 我々はPython言語向けのハイレベルなアプリケーションプログラミングインタフェースを提供するHighdicomライブラリを提示する。
DICOM標準の低レベルの詳細を抽象化し、数行のPythonコードでDICOMフォーマットで画像由来情報のエンコーディングとデコードを可能にする。
DICOMに準拠したファイルの作成と解析を簡略化することにより、Highdicomは医療画像システムとの相互運用性を実現する。
- 参考スコア（独自算出の注目度）: 2.2384962739344276
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Machine learning is revolutionizing image-based diagnostics in pathology and
radiology. ML models have shown promising results in research settings, but
their lack of interoperability has been a major barrier for clinical
integration and evaluation. The DICOM a standard specifies Information Object
Definitions and Services for the representation and communication of digital
images and related information, including image-derived annotations and
analysis results. However, the complexity of the standard represents an
obstacle for its adoption in the ML community and creates a need for software
libraries and tools that simplify working with data sets in DICOM format. Here
we present the highdicom library, which provides a high-level application
programming interface for the Python programming language that abstracts
low-level details of the standard and enables encoding and decoding of
image-derived information in DICOM format in a few lines of Python code. The
highdicom library ties into the extensive Python ecosystem for image processing
and machine learning. Simultaneously, by simplifying creation and parsing of
DICOM-compliant files, highdicom achieves interoperability with the medical
imaging systems that hold the data used to train and run ML models, and
ultimately communicate and store model outputs for clinical use. We demonstrate
through experiments with slide microscopy and computed tomography imaging,
that, by bridging these two ecosystems, highdicom enables developers to train
and evaluate state-of-the-art ML models in pathology and radiology while
remaining compliant with the DICOM standard and interoperable with clinical
systems at all stages. To promote standardization of ML research and streamline
the ML model development and deployment process, we made the library available
free and open-source.
- Abstract（参考訳）: 機械学習は、病理学と放射線医学における画像ベースの診断に革命をもたらす。
MLモデルは研究環境で有望な結果を示しているが、相互運用性の欠如は臨床統合と評価の大きな障壁となっている。
DICOMの標準は、画像由来のアノテーションや分析結果を含むデジタル画像および関連情報の表現と通信のための情報オブジェクト定義とサービスを指定する。
しかし、標準の複雑さはMLコミュニティにおける採用の障害であり、DICOMフォーマットでのデータセットの操作を簡単にするソフトウェアライブラリやツールの必要性を生み出している。
ここでは、ハイダイコムライブラリを紹介し、Pythonプログラミング言語の高レベルアプリケーションプログラミングインタフェースを提供し、標準の低レベルの詳細を抽象化し、数行のPythonコードでDICOMフォーマットで画像由来情報のエンコーディングと復号を可能にする。
Highdicomライブラリは、画像処理と機械学習のための広範なPythonエコシステムと結びついている。
同時に、DICOM準拠のファイルの作成と解析を単純化することで、HighdicomはMLモデルのトレーニングと実行に使用されるデータを保持する医療イメージングシステムとの相互運用性を実現し、最終的に臨床使用のためにモデル出力を通信し保存する。
これらの2つの生態系をブリッジすることで、ハイディコムは、DICOM標準に準拠し、あらゆる段階において臨床システムと相互運用しながら、病理学および放射線学における最先端MLモデルのトレーニングと評価を可能にする。
ML研究の標準化を促進し,MLモデルの開発と展開プロセスの合理化を図るため,ライブラリを無償かつオープンソースにしました。
関連論文リスト
- CodeTF: One-stop Transformer Library for State-of-the-art Code LLM [72.1638273937025]
我々は、最先端のCode LLMとコードインテリジェンスのためのオープンソースのTransformerベースのライブラリであるCodeTFを紹介する。
我々のライブラリは、事前訓練されたコードLLMモデルと人気のあるコードベンチマークのコレクションをサポートします。
CodeTFが機械学習/生成AIとソフトウェア工学のギャップを埋められることを願っている。
論文 参考訳（メタデータ） (2023-05-31T05:24:48Z) - Vision-Language Modelling For Radiological Imaging and Reports In The
Low Data Regime [70.04389979779195]
本稿では,視覚および言語入力を共通空間に埋め込んだ医用視覚言語モデル(VLM)について検討する。
本稿では,新しい画像領域やテキスト領域への汎用事前学習モデルの適用など,低データ性能向上のためのいくつかの候補手法について検討する。
テキスト・ツー・イメージ検索をベンチマークとして,2つの胸部X線および放射線学的報告を用いた可変サイズのトレーニングデータセットを用いて,これらの手法の性能評価を行った。
論文 参考訳（メタデータ） (2023-03-30T18:20:00Z) - Generating and Weighting Semantically Consistent Sample Pairs for
Ultrasound Contrastive Learning [10.631361618707214]
よく注釈付けされた医療データセットにより、ディープニューラルネットワーク(DNN)は、病変に関連する特徴を抽出する上で強力なパワーを得ることができる。
ImageNetに基づくモデル事前トレーニングは、データ量に制限がある場合に、より良い一般化を得るための一般的なプラクティスである。
本研究では,医療用USアプリケーションの領域ギャップを低減するために,ImageNetの代わりに超音波(US)ドメインを事前訓練する。
論文 参考訳（メタデータ） (2022-12-08T06:24:08Z) - 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) - Medical Transformer: Gated Axial-Attention for Medical Image
Segmentation [73.98974074534497]
医用画像分割タスクにおけるトランスフォーマティブネットワークアーキテクチャの利用可能性について検討する。
セルフアテンションモジュールに追加の制御機構を導入することで,既存のアーキテクチャを拡張するGated Axial-Attentionモデルを提案する。
医療画像上で効果的にモデルを訓練するために,さらにパフォーマンスを向上させる局所的グローバルトレーニング戦略 (logo) を提案する。
論文 参考訳（メタデータ） (2021-02-21T18:35:14Z) - 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) - Interpretable and synergistic deep learning for visual explanation and
statistical estimations of segmentation of disease features from medical
images [0.0]
医学画像からの病因分類やセグメンテーションのための深層学習(DL)モデルは、無関係な自然界画像からの伝達学習(TL)を用いて、ますます訓練されている。
TL後バイナリセグメンテーションに広く用いられているDLアーキテクチャの比較,厳密な統計的解析,および比較について報告する。
TIIおよびLMIモデル、コード、10,000以上の医療画像の無料GitHubリポジトリと、この研究からのGrad-CAM出力は、高度な計算医学の出発点として利用できる。
論文 参考訳（メタデータ） (2020-11-11T14:08:17Z) - ivadomed: A Medical Imaging Deep Learning Toolbox [3.6064670806006647]
ivadomedは、ディープラーニングモデルを設計、エンドツーエンドのトレーニング、評価するためのオープンソースのPythonパッケージである。
パッケージにはAPI、コマンドラインツール、ドキュメント、チュートリアルが含まれている。
論文 参考訳（メタデータ） (2020-10-20T03:08:53Z) - Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。
データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
論文 参考訳（メタデータ） (2020-09-01T19:17:46Z) - A DICOM Framework for Machine Learning Pipelines against Real-Time
Radiology Images [50.222197963803644]
Nifflerは、研究クラスタでの機械学習パイプラインの実行を可能にする統合フレームワークである。
ニフラーはDigital Imaging and Communications in Medicine (DICOM)プロトコルを使用して画像データの取得と保存を行っている。
我々は,そのアーキテクチャと3つのユースケースを提示する: リアルタイムに画像から下大静脈フィルターを検出すること,スキャナ利用の同定,およびスキャナクロックの校正。
論文 参考訳（メタデータ） (2020-04-16T21:06:49Z)
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。