論文の概要: CLABTOOLKIT: An Open-Source Toolkit for Routine Processing, Manipulation, and Visualization of Neuroimaging Data
- arxiv url: http://arxiv.org/abs/2607.02638v1
- Date: Thu, 02 Jul 2026 15:39:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.377813
- Title: CLABTOOLKIT: An Open-Source Toolkit for Routine Processing, Manipulation, and Visualization of Neuroimaging Data
- Title（参考訳）: CLABTOOLKIT:ニューロイメージングデータのルーチン処理、操作、可視化のためのオープンソースツールキット
- Authors: Yasser Alemán-Gómez, Nino Hervé, Patric Hagmann,
- Abstract要約: 神経イメージングの研究には異種データ構造を操作する必要がある。
CLABTOOL KITはオープンソースのPythonパッケージで,これらの操作をひとつのフレームワークに統合する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Neuroimaging research requires manipulating heterogeneous data structures, including raw MRI volumes, volumetric parcellations, cortical surface meshes, tractograms, and connectivity matrices, across tools with incompatible interfaces and file formats, forcing researchers to repeatedly re-implement routine but technically demanding operations. We present CLABTOOLKIT, an open-source Python package that consolidates these operations into a single, coherent framework by representing volumetric, surface, and streamline data as interoperable Python objects. Five core data structures (Parcellation, Surface, AnnotParcellation, Tractogram, and Connectome) encapsulate common neuroanatomical entities and provide consistent methods for loading, processing, and exporting data across standard neuroimaging formats (e.g., NIfTI, GIFTI, FreeSurfer annotations, TCK/TRK), including connectome generation from a parcellation and scalar-map projection onto tractogram streamlines. Complementary modules support BIDS dataset management, FreeSurfer integration, diffusion MRI processing, morphometric analysis, graph-theoretical network analysis, and GPU-accelerated multi-panel visualization via PyVista. The toolkit comprises 19 modules organised into six layers, exposing 13 object-oriented classes with 234 methods and 207 standalone functions, and a JSON-based configuration system enables workflow customization without code changes. Unlike existing neuroimaging libraries, which typically address these tasks separately, CLABTOOLKIT combines color and lookup-table management, parcellation manipulation, multi-surface visualization, and tractography utilities within a single framework. CLABTOOLKIT is compatible with Python 3.9-3.12 and released under the Apache 2.0 license. Source code, documentation, and example workflows are available at https://github.com/connectomicslab/clabtoolkit.
- Abstract（参考訳）: ニューロイメージングの研究には、生のMRIボリューム、容積パーセラレーション、皮質表面メッシュ、トラクトグラム、接続行列などの異種データ構造を、互換性のないインターフェースとファイルフォーマットを持つツールを通して操作する必要がある。
CLABTOOLKITはオープンソースのPythonパッケージで、ボリューム、サーフェス、およびストリームラインデータを相互運用可能なPythonオブジェクトとして表現することで、これらの操作を単一の一貫性のあるフレームワークに統合する。
5つのコアデータ構造(Parcellation, Surface, AnnotParcellation, Tractogram, Connectome)は、一般的な神経解剖学的実体をカプセル化し、標準的な神経画像フォーマット(例えば、NIfTI, GIFTI, FreeSurferアノテーション, TCK/TRK)にデータをロード、処理、エクスポートする一貫した方法を提供する。
補完モジュールはBIDSデータセット管理、FreeSurfer統合、拡散MRI処理、形態計測分析、グラフ理論ネットワーク分析、PyVistaによるGPUアクセラレーションによるマルチパネル可視化をサポートする。
このツールキットは、19のモジュールを6つのレイヤに編成し、234のメソッドと207のスタンドアロン関数を持つ13のオブジェクト指向クラスを公開する。
従来のニューロイメージングライブラリとは異なり、CLABTOOLKITは色とルックアップテーブルの管理、パーセルレーション操作、多面的可視化、トラクトグラフィユーティリティを単一のフレームワークで組み合わせている。
CLABTOOLKITはPython 3.9-3.12と互換性があり、Apache 2.0ライセンスでリリースされている。
ソースコード、ドキュメント、サンプルワークフローはhttps://github.com/connectomicslab/clabtoolkit.comで公開されている。
関連論文リスト
- Visual-to-Code Authoring, Tensor-Network Debugging, and Quantum-Circuit Inspection Tools in Python [51.892236819637354]
ネットワークと量子回路は、接続性、指標、収縮順序、ゲート配置、測定、関連する設計選択に依存する構造体である。
コードよりも視覚的に推論しやすいことが多いが、Pythonでは頻繁に構築され、変換され、バックエンド固有のオブジェクトやコンパクトなシンボル式を通してチェックされる。
本稿では、サポート対象ネットワークの視覚的および構造的検査とトレーサム等価性を示すネットワークワーク・ビジュアライゼーション、ビジュアル・ツー・コードオーサリング、バックエンドコード生成、エクスポート、設計レベルの分析のための量子ネットワークワーク・エディター、クリアな回路レンダリング、検査および設計のための量子回路描画の3つの補完パッケージを提案する。
論文 参考訳（メタデータ） (2026-06-07T18:01:31Z) - Cedalion Tutorial: A Python-based framework for comprehensive analysis of multimodal fNIRS & DOT from the lab to the everyday world [0.0]
Cedalionは、fNIRSとDOTデータのモデルベースおよびデータ駆動分析を統合するために設計されたPythonベースのフレームワークである。
SNIRFとBIDS標準をサポートし、クラウドで実行可能なJupyterノートブックをサポートし、コンテナ化された分析パイプラインを提供する。
信号品質評価、運動補正、GLMモデリング、再構成のための検証済みアルゴリズムを実装し、シミュレーション、データ拡張、マルチモーダル生理学解析のモジュールによって補完される。
論文 参考訳（メタデータ） (2026-01-09T16:37:48Z) - 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) - 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) - Data-Juicer 2.0: Cloud-Scale Adaptive Data Processing for and with Foundation Models [83.65386456026441]
Data-Juicer 2.0は、テキスト、画像、ビデオ、オーディオのモダリティにまたがる100以上のデータ処理オペレータがバックアップするデータ処理システムである。
データ分析、合成、アノテーション、基礎モデルのポストトレーニングなど、より重要なタスクをサポートする。
このシステムは公開されており、さまざまな研究分野やAlibaba Cloud PAIのような現実世界の製品で広く採用されている。
論文 参考訳（メタデータ） (2024-12-23T08:29:57Z) - 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) - Interfacing Foundation Models' Embeddings [131.0352288172788]
ファウンデーションモデルの埋め込みと、モダリティと粒度にまたがる統合イメージとデータセットレベルの理解を整合させる汎用インターフェースであるFINDを提案する。
インターリーブド埋め込み空間を考慮したFIND-Benchでは,インターリーブドセグメンテーションと検索のためのCOCOデータセットに新たなトレーニングと評価アノテーションを導入している。
論文 参考訳（メタデータ） (2023-12-12T18:58:02Z) - 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)
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。