論文の概要: Nyxus: A Next Generation Image Feature Extraction Library for the Big Data and AI Era
- arxiv url: http://arxiv.org/abs/2603.12016v1
- Date: Thu, 12 Mar 2026 14:58:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-13 14:46:26.161287
- Title: Nyxus: A Next Generation Image Feature Extraction Library for the Big Data and AI Era
- Title（参考訳）: Nyxus:ビッグデータとAI時代の次世代画像特徴抽出ライブラリ
- Authors: Nicholas Schaub, Andriy Kharchenko, Hamdah Abbasi, Sameeul Samee, Hythem Sidky, Nathan Hotaling,
- Abstract要約: 我々はNyxusと呼ばれる新しい特徴抽出ライブラリを開発した。
Nyxusは、2Dおよび3D画像データのスケーラブルな機能抽出のためにゼロから設計されている。
Nyxusの包括的特徴セットは、放射線学や細胞解析を含む複数の生物医学領域をカバーする。
- 参考スコア（独自算出の注目度）: 1.8095863955913634
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern imaging instruments can produce terabytes to petabytes of data for a single experiment. The biggest barrier to processing big image datasets has been computational, where image analysis algorithms often lack the efficiency needed to process such large datasets or make tradeoffs in robustness and accuracy. Deep learning algorithms have vastly improved the accuracy of the first step in an analysis workflow (region segmentation), but the expansion of domain specific feature extraction libraries across scientific disciplines has made it difficult to compare the performance and accuracy of extracted features. To address these needs, we developed a novel feature extraction library called Nyxus. Nyxus is designed from the ground up for scalable out-of-core feature extraction for 2D and 3D image data and rigorously tested against established standards. The comprehensive feature set of Nyxus covers multiple biomedical domains including radiomics and cellular analysis, and is designed for computational scalability across CPUs and GPUs. Nyxus has been packaged to be accessible to users of various skill sets and needs: as a Python package for code developers, a command line tool, as a Napari plugin for low to no-code users or users that want to visualize results, and as an Open Container Initiative (OCI) compliant container that can be used in cloud or super-computing workflows aimed at processing large data sets. Further, Nyxus enables a new methodological approach to feature extraction allowing for programmatic tuning of many features sets for optimal computational efficiency or coverage for use in novel machine learning and deep learning applications.
- Abstract（参考訳）: 現代のイメージング機器は、単一の実験のためにテラバイトからペタバイトのデータを生成することができる。
画像解析アルゴリズムは、そのような大きなデータセットを処理するのに必要な効率や、堅牢性と精度のトレードオフを欠くことが多い。
ディープラーニングアルゴリズムは、分析ワークフロー(領域分割)における最初のステップの精度を大幅に向上させたが、領域固有の特徴抽出ライブラリの科学分野への拡張により、抽出された特徴の性能と精度を比較するのが難しくなった。
これらのニーズに対処するため,我々はNyxusと呼ばれる新しい特徴抽出ライブラリを開発した。
Nyxusは、2Dおよび3D画像データのためのスケーラブルなアウトオブコア機能抽出のためにゼロから設計されており、既存の標準に対して厳格にテストされている。
Nyxusの包括的な機能セットは、放射線や細胞分析を含む複数のバイオメディカルドメインをカバーしており、CPUやGPU間の計算スケーラビリティのために設計されている。
Nyxusは、さまざまなスキルセットやニーズを持つユーザに対して、パッケージ化されている: コード開発者のためのPythonパッケージとして、コマンドラインツールとして、低から無コードのユーザや結果を視覚化したいユーザのためのNapariプラグインとして、そしてクラウドや大規模データセット処理を目的としたスーパーコンピュータワークフローで使用できるOpen Container Initiative(OCI)準拠のコンテナとして。
さらに、Nyxusは、新しい機械学習およびディープラーニングアプリケーションで使用される最適な計算効率やカバレッジのために、多くの特徴セットをプログラム的にチューニングすることのできる、特徴抽出に対する新しい方法論的アプローチを可能にしている。
関連論文リスト
- Advancing Annotat3D with Harpia: A CUDA-Accelerated Library For Large-Scale Volumetric Data Segmentation [0.1499944454332829]
この作業は、Harpiaを通じてAnnotat3Dに新しい機能を導入している。
このライブラリは、スケーラブルでインタラクティブなセグメンテーションをサポートし、大規模3Dデータセットをハイパフォーマンスコンピューティングでサポートするように設計されている。
このシステムのインタラクティブなヒューマン・イン・ザ・ループインタフェースは、効率的なGPUリソース管理と組み合わせて、特に協調的な科学的イメージングに適している。
論文 参考訳（メタデータ） (2025-11-14T21:45:02Z) - fVDB: A Deep-Learning Framework for Sparse, Large-Scale, and High-Performance Spatial Intelligence [55.582429009401956]
fVDBは、大規模な3Dデータのディープラーニングのための新しいフレームワークである。
私たちのフレームワークは、既存のパイプラインとの相互運用性を可能にするPyTorchと完全に統合されています。
論文 参考訳（メタデータ） (2024-07-01T20:20:33Z) - LiteNeXt: A Novel Lightweight ConvMixer-based Model with Self-embedding Representation Parallel for Medical Image Segmentation [2.0901574458380403]
医用画像分割のための軽量だが効率的な新しいモデル LiteNeXt を提案する。
このモデルは、少量のパラメータ (0.71M) とギガ浮動小数点演算 (0.42) でスクラッチから訓練されている。
Data Science Bowls、GlaS、ISIC2018、PH2、Sunnybrook、Lung X-rayといった公開データセットの実験は有望な結果を示している。
論文 参考訳（メタデータ） (2024-04-04T01:59:19Z) - Dataset Quantization [72.61936019738076]
大規模データセットを小さなサブセットに圧縮する新しいフレームワークであるデータセット量子化(DQ)を提案する。
DQは、ImageNet-1kのような大規模データセットを最先端圧縮比で蒸留する最初の方法である。
論文 参考訳（メタデータ） (2023-08-21T07:24:29Z) - Slideflow: Deep Learning for Digital Histopathology with Real-Time
Whole-Slide Visualization [49.62449457005743]
われわれはSlideflowと呼ばれる病理組織学のための柔軟なディープラーニングライブラリを開発した。
デジタル病理学のための幅広い深層学習手法をサポートしている。
トレーニングされたモデルをデプロイするための、高速な全スライドインターフェースが含まれている。
論文 参考訳（メタデータ） (2023-04-09T02:49:36Z) - Benchpress: A Scalable and Versatile Workflow for Benchmarking Structure
Learning Algorithms [1.7188280334580197]
確率的グラフィカルモデルは、データ生成メカニズムをモデル化するための一般的なアプローチである。
我々は、スケーラブルで再現性があり、プラットフォームに依存しないベンチマークを作成するために、Benchpressという新しいSnakemakeワークフローを提案する。
ベイジアンネットワークを5つの典型的なデータシナリオで学習するためのこのワークフローの適用性を実証する。
論文 参考訳（メタデータ） (2021-07-08T14:19:28Z) - Quantized Neural Networks via {-1, +1} Encoding Decomposition and
Acceleration [83.84684675841167]
本稿では,量子化されたニューラルネットワーク(QNN)をマルチブランチバイナリネットワークに分解するために,-1,+1を用いた新しい符号化方式を提案する。
本稿では,大規模画像分類,オブジェクト検出,セマンティックセグメンテーションにおける提案手法の有効性を検証する。
論文 参考訳（メタデータ） (2021-06-18T03:11:15Z) - Random Features for the Neural Tangent Kernel [57.132634274795066]
完全接続型ReLUネットワークのニューラルタンジェントカーネル(NTK)の効率的な特徴マップ構築を提案する。
得られた特徴の次元は、理論と実践の両方で比較誤差境界を達成するために、他のベースライン特徴マップ構造よりもはるかに小さいことを示しています。
論文 参考訳（メタデータ） (2021-04-03T09:08:12Z) - PHOTONAI -- A Python API for Rapid Machine Learning Model Development [2.414341608751139]
PHOTONAIは、機械学習モデル開発の簡素化と高速化を目的とした、ハイレベルなPython APIである。
これは統一フレームワークとして機能し、ユーザーは異なるツールボックスからのアルゴリズムをカスタムのアルゴリズムシーケンスに簡単にアクセスし、組み合わせることができる。
論文 参考訳（メタデータ） (2020-02-13T10:33:05Z)
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。