論文の概要: MONAI Label: A framework for AI-assisted Interactive Labeling of 3D Medical Images

• arxiv url: http://arxiv.org/abs/2203.12362v1
• Date: Wed, 23 Mar 2022 12:33:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-24 23:06:09.902935
• Title: MONAI Label: A framework for AI-assisted Interactive Labeling of 3D Medical Images
• Title（参考訳）: MONAI Label:3次元医用画像のAI支援インタラクティブラベル作成のためのフレームワーク
• Authors: Andres Diaz-Pinto, Sachidanand Alle, Alvin Ihsani, Muhammad Asad, Vishwesh Nath, Fernando P\'erez-Garc\'ia, Pritesh Mehta, Wenqi Li, Holger R. Roth, Tom Vercauteren, Daguang Xu, Prerna Dogra, Sebastien Ourselin, Andrew Feng and M. Jorge Cardoso
• Abstract要約: 注釈付きデータセットの欠如は、タスク固有の教師付きAIアルゴリズムをトレーニングする上で大きな課題である。 我々は,AIベースのアプリケーション開発を容易にする,フリーでオープンソースのプラットフォームであるMONAI Labelを紹介する。
• 参考スコア（独自算出の注目度）: 51.17516718586609
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The lack of annotated datasets is a major challenge in training new task-specific supervised AI algorithms as manual annotation is expensive and time-consuming. To address this problem, we present MONAI Label, a free and open-source platform that facilitates the development of AI-based applications that aim at reducing the time required to annotate 3D medical image datasets. Through MONAI Label researchers can develop annotation applications focusing on their domain of expertise. It allows researchers to readily deploy their apps as services, which can be made available to clinicians via their preferred user-interface. Currently, MONAI Label readily supports locally installed (3DSlicer) and web-based (OHIF) frontends, and offers two Active learning strategies to facilitate and speed up the training of segmentation algorithms. MONAI Label allows researchers to make incremental improvements to their labeling apps by making them available to other researchers and clinicians alike. Lastly, MONAI Label provides sample labeling apps, namely DeepEdit and DeepGrow, demonstrating dramatically reduced annotation times.
• Abstract（参考訳）: 注釈付きデータセットの欠如は、手動アノテーションが高価で時間を要するため、タスク固有の教師付きAIアルゴリズムをトレーニングする上で大きな課題である。 この問題に対処するために,3次元医用画像データセットのアノテートに必要な時間を短縮することを目的とした,AIベースのアプリケーション開発を容易にする,フリーかつオープンソースのプラットフォームであるMONAI Labelを紹介する。 monAI Labelの研究者は、自身の専門分野に焦点を当てたアノテーションアプリケーションを開発することができる。 研究者は自分のアプリをサービスとして簡単にデプロイでき、好みのユーザーインターフェースを通じて臨床医が利用できる。 現在、MONAI Labelはローカルにインストールされた(3DSlicer)とWebベースの(OHIF)フロントエンドを容易にサポートしており、セグメンテーションアルゴリズムのトレーニングを容易にし、高速化するための2つのアクティブラーニング戦略を提供している。 MONAI Labelは、研究者が他の研究者や臨床医にも利用できるようにすることで、ラベルアプリの改良を段階的に行うことができる。 最後にmonAI Labelは、DeepEditとDeepGrowというサンプルラベリングアプリを提供し、アノテーションの時間を劇的に短縮した。

関連論文リスト

• LAMM: Language-Assisted Multi-Modal Instruction-Tuning Dataset, Framework, and Benchmark [81.42376626294812]
  本稿では,Language-Assisted Multi-Modalインストラクションチューニングデータセット,フレームワーク,ベンチマークを提案する。 我々の目標は、MLLMのトレーニングと評価のための成長するエコシステムとしてLAMMを確立することです。 本稿では,2次元および3次元視覚のための広範囲な視覚タスクをカバーする包括的データセットとベンチマークを提案する。
  論文  参考訳（メタデータ） (2023-06-11T14:01:17Z)
• Few Shot Rationale Generation using Self-Training with Dual Teachers [4.91890875296663]
  予測ラベルのフリーテキスト説明も生成するセルフリレーゼーションモデルは、信頼できるAIアプリケーションを構築する上で重要なツールである。 タスク予測と合理化のための2つの専門教師モデルを学ぶ。 新しい損失関数Masked Label Regularization (MLR) を定式化した。
  論文  参考訳（メタデータ） (2023-06-05T23:57:52Z)
• Exploring a Gradient-based Explainable AI Technique for Time-Series Data: A Case Study of Assessing Stroke Rehabilitation Exercises [5.381004207943597]
  本稿では、弱い教師付きモデルと勾配に基づく説明可能なAI技術を利用するしきい値に基づく手法について述べる。 この結果は,時系列データに対する勾配に基づく説明可能なAI手法の可能性を示した。
  論文  参考訳（メタデータ） (2023-05-08T08:30:05Z)
• MEGAnno: Exploratory Labeling for NLP in Computational Notebooks [9.462926987075122]
  本稿では,NLP実践者と研究者を対象とした新しいアノテーションフレームワークMEGAnnoを紹介する。 MEGAnnoを使えば、ユーザーは高度な検索機能と対話型提案機能を通じてデータを探索できる。 我々は,MEGAnnoのフレキシブル,探索的,効率的,シームレスなラベル付け体験を感情分析のユースケースを通じて実証する。
  論文  参考訳（メタデータ） (2023-01-08T19:16:22Z)
• TagLab: A human-centric AI system for interactive semantic segmentation [63.84619323110687]
  TagLabは、大規模な画像に注釈をつけるための、オープンソースのAI支援ソフトウェアである。 画像アノテーションをスクラッチから支援ツールを通じてスピードアップし、カスタムの完全自動セマンティックセグメンテーションモデルを作成し、自動予測の迅速な編集を可能にする。 研究結果は,海洋生態学と建築遺産の2つの異なるシナリオで報告した。
  論文  参考訳（メタデータ） (2021-12-23T16:50:06Z)
• Unsupervised Domain Adaptive Learning via Synthetic Data for Person Re-identification [101.1886788396803]
  人物再識別(re-ID)は、ビデオ監視に広く応用されているため、ますます注目を集めている。 残念なことに、主流のディープラーニング手法では、モデルをトレーニングするために大量のラベル付きデータが必要です。 本稿では,コンピュータゲーム内で合成されたre-IDサンプルを自動的に生成するデータコレクタを開発し,同時にアノテートするデータラベラを構築した。
  論文  参考訳（メタデータ） (2021-09-12T15:51:41Z)
• TagRuler: Interactive Tool for Span-Level Data Programming by Demonstration [1.4050836886292872]
  データプログラミングは、プログラミングの方法を知っているユーザーにのみアクセス可能だった。 我々はTagRulerという新しいツールを構築し、アノテータがプログラミングなしでスパンレベルのラベリング関数を簡単に構築できるようにする。
  論文  参考訳（メタデータ） (2021-06-24T04:49:42Z)
• Knowledge-Guided Multi-Label Few-Shot Learning for General Image Recognition [75.44233392355711]
  KGGRフレームワークは、ディープニューラルネットワークと統計ラベル相関の事前知識を利用する。 まず、統計ラベルの共起に基づいて異なるラベルを相関させる構造化知識グラフを構築する。 次に、ラベルセマンティクスを導入し、学習セマンティクス固有の特徴をガイドする。 グラフノードの相互作用を探索するためにグラフ伝搬ネットワークを利用する。
  論文  参考訳（メタデータ） (2020-09-20T15:05:29Z)
• Unsupervised Multi-Modal Representation Learning for Affective Computing with Multi-Corpus Wearable Data [16.457778420360537]
  我々は、人間の監督への依存を減らすために、教師なしの枠組みを提案する。 提案フレームワークは2つの畳み込み自己エンコーダを用いて、ウェアラブル心電図(ECG)と電磁気放射能(EDA)信号から潜時表現を学習する。 提案手法は, 同一のデータセット上での覚醒検出を行ない, 現状の成果よりも優れていた。
  論文  参考訳（メタデータ） (2020-08-24T22:01:55Z)
• Dual-Teacher: Integrating Intra-domain and Inter-domain Teachers for Annotation-efficient Cardiac Segmentation [65.81546955181781]
  本稿では,新しい半教師付きドメイン適応手法,すなわちDual-Teacherを提案する。 学生モデルは、2つの教師モデルによってラベル付けされていない対象データとラベル付けされた情報源データの知識を学習する。 提案手法では, ラベルなしデータとモダリティ間データとを並列に利用でき, 性能が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-13T10:00:44Z)

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。