論文の概要: PR3DICTR: A modular AI framework for medical 3D image-based detection and outcome prediction

• arxiv url: http://arxiv.org/abs/2604.03203v1
• Date: Fri, 03 Apr 2026 17:25:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.554682
• Title: PR3DICTR: A modular AI framework for medical 3D image-based detection and outcome prediction
• Title（参考訳）: PR3DICTR:医療用3D画像に基づく検出と結果予測のためのモジュール型AIフレームワーク
• Authors: Daniel C. MacRae, Luuk van der Hoek, Robert van der Wal, Suzanne P. M. de Vette, Hendrike Neh, Baoqiang Ma, Peter M. A. van Ooijen, Lisanne V. van Dijk,
• Abstract要約: PR3DICTRは3D画像分類とsTandardized tRainingの研究のためのプラットフォームである。 予測モデル開発のためのオープンアクセス、フレキシブル、便利なフレームワークを提供する。
• 参考スコア（独自算出の注目度）: 0.4871751655204745
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Three-dimensional medical image data and computer-aided decision making, particularly using deep learning, are becoming increasingly important in the medical field. To aid in these developments we introduce PR3DICTR: Platform for Research in 3D Image Classification and sTandardised tRaining. Built using community-standard distributions (PyTorch and MONAI), PR3DICTR provides an open-access, flexible and convenient framework for prediction model development, with an explicit focus on classification using three-dimensional medical image data. By combining modular design principles and standardization, it aims to alleviate developmental burden whilst retaining adjustability. It provides users with a wealth of pre-established functionality, for instance in model architecture design options, hyper-parameter solutions and training methodologies, but still gives users the opportunity and freedom to ``plug in'' their own solutions or modules. PR3DICTR can be applied to any binary or event-based three-dimensional classification task and can work with as little as two lines of code.
• Abstract（参考訳）: 3次元医用画像データとコンピュータ支援による意思決定,特に深層学習は,医療分野においてますます重要になりつつある。 PR3DICTR: Platform for Research in 3D Image Classification and sTandardized tRainingを紹介する。 PR3DICTRは,コミュニティ標準分布(PyTorchとMONAI)を用いて構築され,3次元医用画像データを用いた分類に重点を置いて,予測モデル開発のためのオープンアクセス,フレキシブル,便利なフレームワークを提供する。 モジュール設計の原則と標準化を組み合わせることで、調整性を維持しながら、開発上の負担を軽減することを目指している。 モデルアーキテクチャ設計オプションやハイパーパラメータソリューション、トレーニング方法論など、確立済みの豊富な機能をユーザに提供しますが、それでもユーザ自身のソリューションやモジュールを ‘plug in’ する機会と自由を提供します。 PR3DICTRは、任意のバイナリまたはイベントベースの3次元分類タスクに適用でき、2行のコードで動作することができる。

関連論文リスト

• MedPruner: Training-Free Hierarchical Token Pruning for Efficient 3D Medical Image Understanding in Vision-Language Models [59.180043227905294]
  MedPrunerは、3次元医用画像の効率的な理解のためのトレーニング不要でモデルに依存しない階層的トークンプレーニングフレームワークである。 我々は、MedPrunerによって、MedGemmaのようなモデルが元の性能を維持したり、超えたりすることが可能であり、ビジュアルトークンの5%以下を維持していることを示す。
  論文  参考訳（メタデータ） (2026-03-12T07:37:00Z)
• Revisiting 2D Foundation Models for Scalable 3D Medical Image Classification [11.13919196108179]
  我々は2次元FMから適応したスケーラブルな3D分類器であるAnyMC3Dを紹介する。 本手法は, 単一の冷凍バックボーン上にのみ軽量なプラグインを追加することで, 新たなタスクに効率よくスケールする。 本分析では,(1)FM電位のアンロックに効果的な適応が不可欠であること,(2)医療用FMと適切な適応が可能であること,(3)3次元分類のための2次元手法が3次元アーキテクチャを超えていること,などの重要な知見が得られた。
  論文  参考訳（メタデータ） (2025-12-15T00:01:19Z)
• Towards Generalisable Foundation Models for 3D Brain MRI [5.527537739064968]
  我々は、DINO-v2を拡張することで構築された脳MRIのための自己教師型基礎モデルBrainFoundを紹介する。 BrainFoundはDINO-v2を、シーケンシャルMRIスライスからの情報を取り込むことで、完全な3D脳解剖学をモデル化する。 シングルモーダル入力とマルチモーダル入力の両方をサポートし、疾患検出やイメージセグメンテーションなど、幅広い下流タスクを可能にする。
  論文  参考訳（メタデータ） (2025-10-27T15:19:46Z)
• Does DINOv3 Set a New Medical Vision Standard? [67.33543059306938]
  本報告は、DINOv3が、ドメイン固有の事前トレーニングなしで、医用視覚タスクのための強力な統合エンコーダとして機能するかどうかを考察する。 我々はDINOv3を2D/3D分類やセグメンテーションを含む一般的な医療ビジョンタスクでベンチマークした。 注目すべきは、いくつかのタスクでBiomedCLIPやCT-Netといった医療固有の基礎モデルよりも優れていることだ。
  論文  参考訳（メタデータ） (2025-09-08T09:28:57Z)
• Efficient MedSAMs: Segment Anything in Medical Images on Laptop [69.28565867103542]
  我々は,迅速な医用画像のセグメンテーションに特化した初の国際コンペを組織した。 トップチームは軽量なセグメンテーション基盤モデルを開発し、効率的な推論パイプラインを実装した。 最高のパフォーマンスのアルゴリズムは、臨床導入を促進するために、ユーザフレンドリーなインターフェースを備えたオープンソースソフトウェアに組み込まれている。
  論文  参考訳（メタデータ） (2024-12-20T17:33:35Z)
• Revisiting MAE pre-training for 3D medical image segmentation [0.08211580863098385]
  Self-Supervised Learning (SSL)は、未使用の膨大な臨床データセットの可能性を解放するエキサイティングな機会を提供する。 SSLは自然言語処理やコンピュータビジョンといった分野に革命をもたらし、その3D医療画像コンピューティングへの採用は、3つの重要な落とし穴によって制限されてきた。 本稿では,現在最先端のnnU-Netフレームワーク内の残留U-Netアーキテクチャを用いて,39kの脳MRIボリュームとiiの大規模データセットを活用することにより,これらの課題に対処する。
  論文  参考訳（メタデータ） (2024-10-30T15:42:59Z)
• Interpretable 2D Vision Models for 3D Medical Images [47.75089895500738]
  本研究では,3次元画像処理における中間特徴表現を用いた2次元ネットワークの適応手法を提案する。 我々は、ベンチマークとして3D MedMNISTデータセットと、既存の手法に匹敵する数百の高分解能CTまたはMRIスキャンからなる2つの実世界のデータセットを示す。
  論文  参考訳（メタデータ） (2023-07-13T08:27:09Z)
• medigan: A Python Library of Pretrained Generative Models for Enriched Data Access in Medical Imaging [3.8568465270960264]
  mediganは、オープンソースのフレームワークに依存しないPythonライブラリとして実装された、事前訓練された生成モデルのワンストップショップである。 研究者や開発者は、ほんの数行のコードでトレーニングデータを作成し、拡大し、ドメインに適応することができる。 ライブラリのスケーラビリティと設計は、統合され、容易に利用できる事前訓練された生成モデルの増加によって実証される。
  論文  参考訳（メタデータ） (2022-09-28T23:45:33Z)
• Hierarchical Amortized Training for Memory-efficient High Resolution 3D GAN [52.851990439671475]
  本稿では,高解像度な3D画像を生成することができる新しいエンドツーエンドGANアーキテクチャを提案する。 トレーニングと推論の異なる構成を使用することで、この目標を達成する。 3次元胸郭CTと脳MRIの実験により、我々のアプローチは画像生成における最先端技術より優れていることが示された。
  論文  参考訳（メタデータ） (2020-08-05T02:33:04Z)
• Learning Deformable Image Registration from Optimization: Perspective, Modules, Bilevel Training and Beyond [62.730497582218284]
  マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。 我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
  論文  参考訳（メタデータ） (2020-04-30T03:23:45Z)

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。