論文の概要: MIP Candy: A Modular PyTorch Framework for Medical Image Processing

• arxiv url: http://arxiv.org/abs/2602.21033v1
• Date: Tue, 24 Feb 2026 15:55:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.822145
• Title: MIP Candy: A Modular PyTorch Framework for Medical Image Processing
• Title（参考訳）: MIP Candy: 医用画像処理のためのモジュール型PyTorchフレームワーク
• Authors: Tianhao Fu, Yucheng Chen,
• Abstract要約: MIPCandyは医療画像処理に特化したPyTorchベースのフレームワークである。 設計の中心は$textttLayerT$で、畳み込み、正規化、アクティベーションモジュールのランタイム置換を可能にする遅延設定機構である。 MIPCandyはApache-2.0ライセンスの下でオープンソースであり、Python3.12以降を必要とする。
• 参考スコア（独自算出の注目度）: 4.024630879799288
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical image processing demands specialized software that handles high-dimensional volumetric data, heterogeneous file formats, and domain-specific training procedures. Existing frameworks either provide low-level components that require substantial integration effort or impose rigid, monolithic pipelines that resist modification. We present MIP Candy (MIPCandy), a freely available, PyTorch-based framework designed specifically for medical image processing. MIPCandy provides a complete, modular pipeline spanning data loading, training, inference, and evaluation, allowing researchers to obtain a fully functional process workflow by implementing a single method, $\texttt{build_network}$, while retaining fine-grained control over every component. Central to the design is $\texttt{LayerT}$, a deferred configuration mechanism that enables runtime substitution of convolution, normalization, and activation modules without subclassing. The framework further offers built-in $k$-fold cross-validation, dataset inspection with automatic region-of-interest detection, deep supervision, exponential moving average, multi-frontend experiment tracking (Weights & Biases, Notion, MLflow), training state recovery, and validation score prediction via quotient regression. An extensible bundle ecosystem provides pre-built model implementations that follow a consistent trainer--predictor pattern and integrate with the core framework without modification. MIPCandy is open-source under the Apache-2.0 license and requires Python~3.12 or later. Source code and documentation are available at https://github.com/ProjectNeura/MIPCandy.
• Abstract（参考訳）: 医用画像処理は、高次元ボリュームデータ、異種ファイルフォーマット、ドメイン固有の訓練手順を扱う特殊なソフトウェアを必要とする。 既存のフレームワークは、かなりの統合作業を必要とする低レベルのコンポーネントを提供するか、修正に抵抗する堅固でモノリシックなパイプラインを強制する。 MIP Candy(MIPCandy)は,医用画像処理に特化したPyTorchベースのフレームワークである。 MIPCandyは、データ読み込み、トレーニング、推論、評価にまたがる完全なモジュール化されたパイプラインを提供する。研究者は、すべてのコンポーネントのきめ細かい制御を維持しながら、単一のメソッドである$\texttt{build_network}$を実装することで、完全に機能的なプロセスワークフローを得ることができる。 設計の中心は$\texttt{LayerT}$であり、サブクラス化せずに畳み込み、正規化、アクティベーションモジュールのランタイム置換を可能にする遅延設定機構である。 フレームワークはさらに、$k$のクロスバリデーション、自動領域検出によるデータセットインスペクション、深い監督、指数的な移動平均、複数フロントエンドの実験追跡(Weights & Biases, Notion, MLflow)、トレーニング状態回復、商回帰による検証スコア予測も提供する。 拡張可能なバンドルエコシステムは、一貫したトレーナパターンに従って構築されたモデル実装を提供し、修正せずにコアフレームワークと統合する。 MIPCandyはApache-2.0ライセンスの下でオープンソースであり、Python~3.12以降を必要とする。 ソースコードとドキュメントはhttps://github.com/ProjectNeura/MIPCandy.comで公開されている。

関連論文リスト

• VibeTensor: System Software for Deep Learning, Fully Generated by AI Agents [42.56489784841984]
  実装の変更が生成され、エージェントが提案する差分として適用される。 アーキテクチャを説明し、システムの生成と検証に使用するワークフローを要約し、アーティファクトを評価する。
  論文  参考訳（メタデータ） (2026-01-21T19:29:00Z)
• Plug-and-Play Benchmarking of Reinforcement Learning Algorithms for Large-Scale Flow Control [61.155940786140455]
  強化学習(RL)は,アクティブフロー制御(AFC)において有望な結果を示した。 現在のAFCベンチマークは、外部計算流体力学(CFD)の解法に依存しており、完全には微分不可能であり、3Dとマルチエージェントのサポートが限られている。 AFCにおけるRLのための最初のスタンドアロンで完全に差別化可能なベンチマークスイートであるFluidGymを紹介する。
  論文  参考訳（メタデータ） (2026-01-21T14:13:44Z)
• Stroke Lesion Segmentation in Clinical Workflows: A Modular, Lightweight, and Deployment-Ready Tool [0.08699280339422537]
  nnU-Netのようなディープラーニングフレームワークは、脳病変のセグメンテーションにおいて最先端のパフォーマンスを達成するが、臨床展開は困難である。 textitStrokeSegは、研究グレードの脳梗塞のセグメンテーションモデルをデプロイ可能なアプリケーションに変換するモジュール式で軽量なフレームワークである。
  論文  参考訳（メタデータ） (2025-10-28T12:56:48Z)
• MMORE: Massive Multimodal Open RAG & Extraction [35.45122798365231]
  MMOREは、大規模な異種文書フォーマットから知識を取り込み、変換し、取り出すパイプラインである。 MMOREはテキスト、テーブル、画像、メール、オーディオ、ビデオを含む15以上のファイルタイプをサポートし、それらを統一されたフォーマットに処理する。 処理ベンチマークでは、MMOREは1ノードのベースラインよりも3.8倍のスピードアップを示し、スキャンされたPDFのドッキングよりも40%高い精度を示している。
  論文  参考訳（メタデータ） (2025-09-15T13:56:06Z)
• pyFAST: A Modular PyTorch Framework for Time Series Modeling with Multi-source and Sparse Data [10.949140998070732]
  pyFASTは時系列分析のための研究指向のPyTorchフレームワークである。 データエンジンは複雑なシナリオのために設計されており、マルチソースローディング、タンパク質配列処理、効率的なシーケンスおよびパッチレベルのパディング、動的正規化、マスクベースのモデリングをサポートする。 GitHubでMITライセンスでリリースされているpyFASTは、時系列の研究とアプリケーションを進めるための、コンパクトだが強力なプラットフォームを提供する。
  論文  参考訳（メタデータ） (2025-08-26T10:05:47Z)
• pyvene: A Library for Understanding and Improving PyTorch Models via Interventions [79.72930339711478]
  $textbfpyvene$は、さまざまなPyTorchモジュールに対するカスタマイズ可能な介入をサポートするオープンソースライブラリである。 私たちは、$textbfpyvene$が、ニューラルモデルへの介入を実行し、他のモデルとインターバルされたモデルを共有するための統一されたフレームワークを提供する方法を示します。
  論文  参考訳（メタデータ） (2024-03-12T16:46:54Z)
• CMFDFormer: Transformer-based Copy-Move Forgery Detection with Continual Learning [52.72888626663642]
  コピーモーブ偽造検出は、疑わしい偽画像中の重複領域を検出することを目的としている。 深層学習に基づく複写偽造検出手法が最上位にある。 CMFDFormer という名称の Transformer-style copy-move forgery ネットワークを提案する。 また、CMFDFormerが新しいタスクを処理できるように、新しいPCSD連続学習フレームワークを提供する。
  論文  参考訳（メタデータ） (2023-11-22T09:27:46Z)
• MatFormer: Nested Transformer for Elastic Inference [91.45687988953435]
  MatFormerは、多様なデプロイメント制約にまたがる弾性推論を提供するように設計された、新しいTransformerアーキテクチャである。 MatFormerは、標準的なTransformerモデルにネストフィードフォワードネットワーク(FFN)ブロック構造を組み込むことで、これを実現している。 8億5000万デコーダのみのMatFormer言語モデル(MatLM)により,5億2200万から8億5千万のパラメータにまたがる複数の小さなモデルを抽出できることを示す。
  論文  参考訳（メタデータ） (2023-10-11T17:57:14Z)
• BatchFormerV2: Exploring Sample Relationships for Dense Representation Learning [88.82371069668147]
  BatchFormerV2はより一般的なバッチトランスフォーマーモジュールである。 BatchFormerV2は、現在のDETRベースの検出方法を1.3%以上改善している。
  論文  参考訳（メタデータ） (2022-04-04T05:53:42Z)
• Scanflow: A multi-graph framework for Machine Learning workflow management, supervision, and debugging [0.0]
  本稿では,エンドツーエンドの機械学習ワークフロー管理を支援するコンテナ化指向グラフフレームワークを提案する。 このフレームワークは、コンテナ内でMLを定義してデプロイし、メタデータを追跡し、本番環境での振る舞いを確認し、学習された知識と人為的な知識を使用してモデルを改善する。
  論文  参考訳（メタデータ） (2021-11-04T17:01:12Z)

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。