論文の概要: Open-Source Skull Reconstruction with MONAI

• arxiv url: http://arxiv.org/abs/2211.14051v2
• Date: Thu, 15 Jun 2023 09:37:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-17 03:04:53.485585
• Title: Open-Source Skull Reconstruction with MONAI
• Title（参考訳）: モナイを用いたオープンソース頭蓋骨再建術
• Authors: Jianning Li, Andr\'e Ferreira, Behrus Puladi, Victor Alves, Michael Kamp, Moon-Sung Kim, Felix Nensa, Jens Kleesiek, Seyed-Ahmad Ahmadi, Jan Egger
• Abstract要約: MUG500+の頭蓋骨データセットを事前訓練したmonAIの深層学習に基づく頭蓋骨再建法を提案する。 本論文の主目的は、monAIフレームワークの下で、オープンソースコードと事前学習されたディープラーニングモデルの調査である。
• 参考スコア（独自算出の注目度）: 3.245541722525715
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a deep learning-based approach for skull reconstruction for MONAI, which has been pre-trained on the MUG500+ skull dataset. The implementation follows the MONAI contribution guidelines, hence, it can be easily tried out and used, and extended by MONAI users. The primary goal of this paper lies in the investigation of open-sourcing codes and pre-trained deep learning models under the MONAI framework. Nowadays, open-sourcing software, especially (pre-trained) deep learning models, has become increasingly important. Over the years, medical image analysis experienced a tremendous transformation. Over a decade ago, algorithms had to be implemented and optimized with low-level programming languages, like C or C++, to run in a reasonable time on a desktop PC, which was not as powerful as today's computers. Nowadays, users have high-level scripting languages like Python, and frameworks like PyTorch and TensorFlow, along with a sea of public code repositories at hand. As a result, implementations that had thousands of lines of C or C++ code in the past, can now be scripted with a few lines and in addition executed in a fraction of the time. To put this even on a higher level, the Medical Open Network for Artificial Intelligence (MONAI) framework tailors medical imaging research to an even more convenient process, which can boost and push the whole field. The MONAI framework is a freely available, community-supported, open-source and PyTorch-based framework, that also enables to provide research contributions with pre-trained models to others. Codes and pre-trained weights for skull reconstruction are publicly available at: https://github.com/Project-MONAI/research-contributions/tree/master/SkullRec
• Abstract（参考訳）: MUG500+の頭蓋骨データセットを事前訓練したmonAIの深層学習に基づく頭蓋骨再建法を提案する。 実装はmonAIコントリビューションガイドラインに従っているため、monAIユーザが簡単に試し、使用し、拡張することができる。 本論文の主な目的は,monaiフレームワークの下で,オープンソースコードと事前学習されたディープラーニングモデルを調査することである。 現在、オープンソースソフトウェア、特に(トレーニング済みの)ディープラーニングモデルがますます重要になっている。 長年にわたり、医療画像分析は大きな変化を経験してきた。 10年以上前、アルゴリズムはCやC++のような低レベルのプログラミング言語で実装され、最適化されなければならなかった。 今日では、Pythonのようなハイレベルなスクリプト言語や、PyTorchやTensorFlowといったフレームワーク、さらには多くの公開コードリポジトリが手元にある。 結果として、過去に数千行のCやC++コードを持つ実装が、数行でスクリプト化され、また、わずかな時間で実行できるようになった。 これをさらに高レベルにするために、MonAI(Medicical Open Network for Artificial Intelligence)フレームワークは、医療画像研究をより便利なプロセスに調整し、全分野を加速させ、推進する。 monaiフレームワークは、コミュニティがサポートし、オープンソースで、pytorchベースのフレームワークで、事前トレーニングされたモデルによる研究貢献を他の人に提供することができる。 頭蓋骨再建のためのコードとトレーニング済み重量は、https://github.com/Project-MONAI/research-contributions/tree/master/SkullRecで公開されている。

関連論文リスト

• MALPOLON: A Framework for Deep Species Distribution Modeling [3.1457219084519004]
  MALPOLONは深部種分布モデル(deep-SDM)の訓練と推測を容易にすることを目的としている Pythonで書かれ、PyTorchライブラリ上に構築されている。 このフレームワークはGitHubとPyPiでオープンソース化されている。
  論文  参考訳（メタデータ） (2024-09-26T17:45:10Z)
• Does Your Neural Code Completion Model Use My Code? A Membership Inference Approach [66.51005288743153]
  本稿では,現在のニューラルコード補完モデルの法的および倫理的問題について考察する。 私たちは、もともと分類タスクのために作られたメンバシップ推論アプローチ(CodeMIと呼ばれる)を調整します。 我々は,この適応型アプローチの有効性を,多種多様なニューラルコード補完モデルで評価した。
  論文  参考訳（メタデータ） (2024-04-22T15:54:53Z)
• MONAI: An open-source framework for deep learning in healthcare [24.465436846127762]
  この研究は、医療におけるディープラーニングのための、フリーで、コミュニティが支援し、コンソーシアムが主導するPyTorchベースのフレームワークであるMONAIを紹介している。 MonAIはソフトウェア開発のベストプラクティスに従い、使いやすく、堅牢で、文書化され、十分にテストされたソフトウェアフレームワークを提供する。
  論文  参考訳（メタデータ） (2022-11-04T18:35:00Z)
• A modular software framework for the design and implementation of ptychography algorithms [55.41644538483948]
  我々は,Pychographyデータセットをシミュレートし,最先端の再構築アルゴリズムをテストすることを目的とした,新しいptychographyソフトウェアフレームワークであるSciComを紹介する。 その単純さにもかかわらず、ソフトウェアはPyTorchインターフェースによる高速化処理を利用する。 結果は合成データと実データの両方で示される。
  論文  参考訳（メタデータ） (2022-05-06T16:32:37Z)
• Neko: a Library for Exploring Neuromorphic Learning Rules [0.3499870393443268]
  Nekoはニューロモルフィック学習アルゴリズムのためのモジュラーライブラリである。 最先端のアルゴリズムを再現し、ある場合、精度とスピードの大幅な性能向上につながる。 NekoはPyTorchとバックエンドをサポートするオープンソースのPythonライブラリである。
  論文  参考訳（メタデータ） (2021-05-01T18:50:32Z)
• COSEA: Convolutional Code Search with Layer-wise Attention [90.35777733464354]
  我々は、畳み込みニューラルネットワークを階層的注意で活用し、コード固有の構造論理をキャプチャする新しいディープラーニングアーキテクチャ、COSEAを提案する。 COSEAは、コード検索タスクの最先端メソッドよりも大幅に改善できる。
  論文  参考訳（メタデータ） (2020-10-19T13:53:38Z)
• Applications of Deep Neural Networks with Keras [0.0]
  ディープラーニングにより、ニューラルネットワークは人間の脳の機能のような方法で情報の階層を学習することができる。 本コースでは,従来のニューラルネットワーク構造であるConversa Neural Networks (CNN), Long Short-Term Memory (LSTM), Gated Recurrent Neural Networks (GRU), General Adrial Networks (GAN)を紹介する。
  論文  参考訳（メタデータ） (2020-09-11T22:09:10Z)
• KSM: Fast Multiple Task Adaption via Kernel-wise Soft Mask Learning [49.77278179376902]
  Deep Neural Networks (DNN)は、新しいタスクを学ぶときの以前のタスクに関する知識を忘れることができ、これはtextitcatastrophic forgettingとして知られている。 最近の連続学習手法は、玩具サイズのデータセットにおける破滅的な問題を緩和することができる。 我々は,各タスクに対して,カーネルワイドなハイブリッドな2値マスクと実値のソフトマスクを学習する,textit- Kernel-wise Soft Mask (KSM) と呼ばれる新しいトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2020-09-11T21:48:39Z)
• DeepSumm -- Deep Code Summaries using Neural Transformer Architecture [8.566457170664927]
  我々はソースコード要約の課題を解決するためにニューラルネットワークを用いる。 2.1m以上のコメントとコードの教師付きサンプルで、トレーニング時間を50%以上短縮します。
  論文  参考訳（メタデータ） (2020-03-31T22:43:29Z)
• Rethinking Few-Shot Image Classification: a Good Embedding Is All You Need? [72.00712736992618]
  メタトレーニングセット上で教師付きあるいは自己教師型表現を学習する単純なベースラインが、最先端の数ショット学習方法より優れていることを示す。 追加の増量は自己蒸留によって達成できる。 我々は,この発見が,画像分類ベンチマークとメタ学習アルゴリズムの役割を再考する動機となっていると考えている。
  論文  参考訳（メタデータ） (2020-03-25T17:58:42Z)
• AutoML-Zero: Evolving Machine Learning Algorithms From Scratch [76.83052807776276]
  基本数学的操作をビルディングブロックとして使うだけで,完全な機械学習アルゴリズムを自動的に発見できることが示される。 汎用的な検索空間を通じて人間のバイアスを大幅に低減する新しいフレームワークを導入することでこれを実証する。 機械学習アルゴリズムをゼロから発見する上で、これらの予備的な成功は、この分野における有望な新しい方向性を示していると信じている。
  論文  参考訳（メタデータ） (2020-03-06T19:00:04Z)

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。