論文の概要: Brainchop: Next Generation Web-Based Neuroimaging Application
- arxiv url: http://arxiv.org/abs/2310.16162v1
- Date: Tue, 24 Oct 2023 20:17:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-26 18:07:24.448552
- Title: Brainchop: Next Generation Web-Based Neuroimaging Application
- Title（参考訳）: Brainchop:次世代Webベースのニューロイメージングアプリケーション
- Authors: Mohamed Masoud, Pratyush Reddy, Farfalla Hu, and Sergey Plis
- Abstract要約: Brainchopは、トレーニング済みの全脳深層学習モデルを使用して、構造MRIのボリューム分析を可能にする、画期的なブラウザ内ツールである。
本稿では,Brainchopの処理パイプラインの概要と,各種ハードウェア構成におけるモデルの性能評価を行う。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Performing volumetric image processing directly within the browser,
particularly with medical data, presents unprecedented challenges compared to
conventional backend tools. These challenges arise from limitations inherent in
browser environments, such as constrained computational resources and the
availability of frontend machine learning libraries. Consequently, there is a
shortage of neuroimaging frontend tools capable of providing comprehensive
end-to-end solutions for whole brain preprocessing and segmentation while
preserving end-user data privacy and residency. In light of this context, we
introduce Brainchop (http://www.brainchop.org) as a groundbreaking in-browser
neuroimaging tool that enables volumetric analysis of structural MRI using
pre-trained full-brain deep learning models, all without requiring technical
expertise or intricate setup procedures. Beyond its commitment to data privacy,
this frontend tool offers multiple features, including scalability, low
latency, user-friendly operation, cross-platform compatibility, and enhanced
accessibility. This paper outlines the processing pipeline of Brainchop and
evaluates the performance of models across various software and hardware
configurations. The results demonstrate the practicality of client-side
processing for volumetric data, owing to the robust MeshNet architecture, even
within the resource-constrained environment of web browsers.
- Abstract（参考訳）: ブラウザ内でのボリューム画像処理、特に医療データを直接行うことは、従来のバックエンドツールと比較して前例のない課題である。
これらの課題は、制約付き計算リソースやフロントエンド機械学習ライブラリの可用性など、ブラウザ環境に固有の制限から生じる。
その結果、エンドユーザーデータのプライバシと居住性を維持しつつ、脳全体の前処理とセグメンテーションに包括的なエンドツーエンドソリューションを提供することができる、神経画像フロントエンドツールが不足している。
この状況を踏まえて、brainchop(http://www.brainchop.org)を、事前訓練されたフル脳深層学習モデルを使用して、構造mriのボリューム分析を可能にする画期的なブラウザ内神経イメージングツールとして紹介します。
データプライバシに関するコミットメントに加えて、このフロントエンドツールはスケーラビリティ、低レイテンシ、ユーザフレンドリな操作、クロスプラットフォーム互換性、アクセシビリティ向上など、複数の機能を提供する。
本稿では,brainchopの処理パイプラインを概説し,各種ソフトウェアおよびハードウェア構成におけるモデルの性能評価を行う。
その結果,webブラウザのリソース制約環境においても,ロバストなメッシュネットアーキテクチャにより,ボリュームデータに対するクライアント側処理の実用性が示された。
関連論文リスト
- Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。
既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。
ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-29T19:02:54Z) - DeepMediX: A Deep Learning-Driven Resource-Efficient Medical Diagnosis
Across the Spectrum [15.382184404673389]
この作業では,この課題に大きく対処する,画期的な,リソース効率の高いモデルである textttDeepMediX が紹介されている。
MobileNetV2アーキテクチャ上に構築されたDeepMediXは、脳MRIスキャンと皮膚がん画像の分類に長けている。
DeepMediXの設計にはフェデレートラーニングの概念も含まれている。
論文 参考訳（メタデータ） (2023-07-01T12:30:58Z) - GROWN+UP: A Graph Representation Of a Webpage Network Utilizing
Pre-training [0.2538209532048866]
我々は、Webページ構造を取り込み、大量のラベル付きデータに基づいて事前訓練を行い、Webページ上の任意のタスクに効果的に微調整できる、非依存のディープグラフニューラルネットワーク特徴抽出器を導入する。
我々は,Webページボイラプレートの除去とジャンル分類という,非常に異なる2つのベンチマークで複数のデータセットを用いて,事前学習したモデルが最先端の結果を得ることを示す。
論文 参考訳（メタデータ） (2022-08-03T13:37:27Z) - A workflow for segmenting soil and plant X-ray CT images with deep
learning in Googles Colaboratory [45.99558884106628]
我々はX線マイクロCT画像に畳み込みニューラルネットワークを適用するためのモジュラーワークフローを開発した。
クルミの葉, アーモンドの花芽, 土壌集合体のサンプルスキャンを用いて, 最適な結果を得るために, パラメータを最適化する方法を示す。
論文 参考訳（メタデータ） (2022-03-18T00:47:32Z) - Neural Architecture Search for Dense Prediction Tasks in Computer Vision [74.9839082859151]
ディープラーニングは、ニューラルネットワークアーキテクチャエンジニアリングに対する需要の高まりにつながっている。
ニューラルネットワーク検索(NAS)は、手動ではなく、データ駆動方式でニューラルネットワークアーキテクチャを自動設計することを目的としている。
NASはコンピュータビジョンの幅広い問題に適用されている。
論文 参考訳（メタデータ） (2022-02-15T08:06:50Z) - SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。
しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
論文 参考訳（メタデータ） (2021-12-22T14:45:37Z) - SuperCaustics: Real-time, open-source simulation of transparent objects
for deep learning applications [0.0]
SuperCausticsは、ディープラーニングアプリケーション用に設計された透明なオブジェクトのリアルタイムかつオープンソースシミュレーションである。
私たちは、難しい照明シナリオで透明なオブジェクトをスクラッチからセグメント化するために、ディープニューラルネットワークをトレーニングしました。
私たちのニューラルネットワークは、トレーニングデータの10%しか使用せずに、実世界のデータセットにおける最先端のパフォーマンスを達成しました。
論文 参考訳（メタデータ） (2021-07-23T03:11:47Z) - Towards AIOps in Edge Computing Environments [60.27785717687999]
本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。
高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
論文 参考訳（メタデータ） (2021-02-12T09:33:00Z) - NAS-Navigator: Visual Steering for Explainable One-Shot Deep Neural
Network Synthesis [53.106414896248246]
本稿では,分析者がドメイン知識を注入することで,解のサブグラフ空間を効果的に構築し,ネットワーク探索をガイドするフレームワークを提案する。
このテクニックを反復的に適用することで、アナリストは、与えられたアプリケーションに対して最高のパフォーマンスのニューラルネットワークアーキテクチャに収束することができる。
論文 参考訳（メタデータ） (2020-09-28T01:48:45Z) - HCM: Hardware-Aware Complexity Metric for Neural Network Architectures [6.556553154231475]
本稿では,ニューラルネットワークアーキテクチャのシステムデザイナを支援することを目的とした,ハードウェア対応の複雑性指標を提案する。
提案手法は,資源制限されたデバイス上でのニューラルネットワークモデルの設計代替案の評価にどのように役立つかを示す。
論文 参考訳（メタデータ） (2020-04-19T16:42:51Z)
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。