論文の概要: PyCellMech: A shape-based feature extraction pipeline for use in medical and biological studies
- arxiv url: http://arxiv.org/abs/2405.15567v1
- Date: Fri, 24 May 2024 13:55:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-27 13:50:09.493711
- Title: PyCellMech: A shape-based feature extraction pipeline for use in medical and biological studies
- Title（参考訳）: PyCellMech: 医療・生物学的研究に用いる形状に基づく特徴抽出パイプライン
- Authors: Janan Arslan, Henri Chhoa, Ines Khemir, Romain Valabregue, Kurt K. Benke,
- Abstract要約: 医学研究者は身体計測と画像データを用いて障害の予防と治療に関する知識を得る。
この取り組みを支援するために、画像構造からデータを集めるように設計された特徴抽出パッケージが利用可能である。
PyCellMechパッケージは、一次元、幾何学的、多角形に分類される3種類の形状特徴を抽出する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Summary: Medical researchers obtain knowledge about the prevention and treatment of disability and disease using physical measurements and image data. To assist in this endeavor, feature extraction packages are available that are designed to collect data from the image structure. In this study, we aim to augment current works by adding to the current mix of shape-based features. The significance of shape-based features has been explored extensively in research for several decades, but there is no single package available in which all shape-related features can be extracted easily by the researcher. PyCellMech has been crafted to address this gap. The PyCellMech package extracts three classes of shape features, which are classified as one-dimensional, geometric, and polygonal. Future iterations will be expanded to include other feature classes, such as scale-space. Availability and implementation: PyCellMech is freely available at https://github.com/icm-dac/pycellmech.
- Abstract（参考訳）: 要旨:医学研究者は身体計測と画像データを用いて障害・疾患の予防・治療に関する知識を得る。
この取り組みを支援するために、画像構造からデータを集めるように設計された特徴抽出パッケージが利用可能である。
本研究では,現在の形状に基づく特徴の混合を付加することにより,現在の作業量を増やすことを目的としている。
形状に基づく特徴の意義は数十年にわたって広く研究されてきたが,研究者が容易に形状に関連した特徴を抽出できる単一のパッケージは存在しない。
PyCellMechはこのギャップに対処するために作られた。
PyCellMechパッケージは、一次元、幾何学的、多角形に分類される3種類の形状特徴を抽出する。
今後のイテレーションは、スケールスペースなどの他の機能クラスを含むように拡張される予定である。
可用性と実装: PyCellMechはhttps://github.com/icm-dac/pycellmech.comで無料で利用できる。
関連論文リスト
- GeomCLIP: Contrastive Geometry-Text Pre-training for Molecules [16.98169256565552]
我々は,200万対の基底状態の幾何学的構造とバイオメディカルテキストのためのデータ収集作業を構築した。
分子構造とバイオメディカルテキストからのマルチモーダル表現学習のためのGeomCLIPフレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-16T15:15:24Z) - Grad-CAMO: Learning Interpretable Single-Cell Morphological Profiles from 3D Cell Painting Images [0.0]
教師付き特徴抽出器のための新しい単一セル解釈可能性スコアであるGrad-CAMOを紹介する。
Grad-CAMOは、関心の細胞と背景の細胞に集中しているモデルの注意率を測定する。
論文 参考訳（メタデータ） (2024-03-26T11:48:37Z) - UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。
異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。
特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
論文 参考訳（メタデータ） (2024-02-20T11:50:27Z) - MedShapeNet -- A Large-Scale Dataset of 3D Medical Shapes for Computer
Vision [119.29105800342779]
MedShapeNetは、医療アプリケーションへのデータ駆動ビジョンアルゴリズムの翻訳を容易にするために開発された。
ユニークな特徴として、実際の患者の画像データに基づいて、形状の大部分を直接モデル化する。
私たちのデータは、WebインターフェースとPythonアプリケーションプログラミングインターフェース(API)を介して自由にアクセスでき、差別的、再構成的、変動的なベンチマークに使用できます。
論文 参考訳（メタデータ） (2023-08-30T16:52:20Z) - Deep Learning Enabled Time-Lapse 3D Cell Analysis [7.094247258573337]
本稿では, タイムラプスな3Dセル解析手法を提案する。
そこで我々は,細胞下の特徴を正確に局所化し,定量的に分析する問題を考察した。
コードはGithubで入手でき、このメソッドはBisQueポータル経由でサービスとして利用できる。
論文 参考訳（メタデータ） (2022-08-17T00:07:25Z) - PatchRD: Detail-Preserving Shape Completion by Learning Patch Retrieval
and Deformation [59.70430570779819]
本稿では,3次元形状の欠落領域の幾何学的詳細化に焦点を当てたデータ駆動型形状補完手法を提案する。
私たちの重要な洞察は、部分的な入力から完全な欠落したリージョンへのパッチのコピーとデフォームです。
部分的な入力からパッチを抽出することで繰り返しパターンを活用し、ニューラルネットワークを用いてグローバルな構造的先行点を学習し、検索と変形の手順を導出する。
論文 参考訳（メタデータ） (2022-07-24T18:59:09Z) - SubOmiEmbed: Self-supervised Representation Learning of Multi-omics Data
for Cancer Type Classification [4.992154875028543]
マルチオミクスデータの統合と解析により腫瘍の広い視野が得られ,臨床診断の精度が向上する。
SubOmiEmbedは、非常に小さなネットワークを持つベースラインであるOmiEmbedに匹敵する結果を生成する。
この作業は、突然変異に基づくゲノムデータを統合するために改善される。
論文 参考訳（メタデータ） (2022-02-03T16:39:09Z) - 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) - ATOM3D: Tasks On Molecules in Three Dimensions [91.72138447636769]
近年、深層ニューラルネットワークが注目されている。
本稿では,生物分子のいくつかの重要なクラスにまたがる新しいデータセットと既存のデータセットのコレクションであるATOM3Dを紹介する。
これらのタスクごとに3次元の分子学習ネットワークを開発し、パフォーマンスを一貫して改善します。
論文 参考訳（メタデータ） (2020-12-07T20:18:23Z) - Captum: A unified and generic model interpretability library for PyTorch [49.72749684393332]
我々は,PyTorch用の新しい,統一されたオープンソースモデル解釈可能性ライブラリを紹介する。
このライブラリには、多くの勾配と摂動に基づく属性アルゴリズムの汎用的な実装が含まれている。
分類モデルと非分類モデルの両方に使用できる。
論文 参考訳（メタデータ） (2020-09-16T18:57:57Z)
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。