論文の概要: Reference Manual of MEDiml

• arxiv url: http://arxiv.org/abs/2610.29666v1
• Date: Wed, 21 Oct 2026 12:41:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.361227
• Title: Reference Manual of MEDiml
• Title（参考訳）: MEDimlの参照マニュアル
• Abstract要約: 我々は,オープンソースで標準に準拠した放射能プラットフォームであるMEDimlを提案する。 MEDimlはPythonパッケージ(MEDiml-app)とデスクトップアプリケーション(MEDiml-app)を組み合わせることで、研究者がコードを書くことなく実験を行うことを可能にする。 典型的なMEDimlワークフローには、画像前処理、放射能特徴抽出、特徴量削減、モデルトレーニングと評価、解釈が含まれる。
• 参考スコア（独自算出の注目度）: 26.831715552066694
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Radiomics is the high-throughput extraction of quantitative features (e.g., tumor shape, intensity distributions, and texture) from medical images to characterize tissues and uncover disease patterns invisible to the human eye. These features can serve as candidate imaging biomarkers for cancer diagnosis, prognosis, and classification. However, extracting thousands of features makes it difficult to identify the most informative ones for a given clinical task, while implementing an end-to-end workflow can require programming expertise that limits accessibility for clinical researchers. Hence, we propose MEDiml, an open-source, standards-compliant radiomics platform connecting feature extraction, predictive modeling, and interpretation through complementary graphical and programmatic interfaces. MEDiml combines a Python package (MEDiml-pkg) with a graphical desktop application (MEDiml-app) that enables researchers to conduct experiments without writing code. Both interfaces use the same computational implementation, and code generation exports graphically configured workflows as executable Python code, facilitating reproducibility and collaboration between clinical researchers and computational scientists. A typical MEDiml workflow includes image preprocessing, radiomic feature extraction, feature set reduction, model training and evaluation, and interpretation using feature importance. Feature sets can be grouped into levels of radiomic complexity (morphological, intensity-based, textural, and filter-based) to evaluate whether more complex features provide additional predictive value. This reference manual documents the radiomics concepts, workflow, software components, architecture, and installation, compares MEDiml with existing tools, and demonstrates its complexity-driven workflow on five oncological imaging cohorts comprising 2,104 patients. Resources: www.mediml.app.
• Abstract（参考訳）: 放射線は、医療画像から定量的特徴(例えば、腫瘍の形状、強度分布、テクスチャ)を抽出し、組織を特徴づけ、人間の目に見えない病気のパターンを明らかにする。 これらの特徴は、がん診断、予後、分類のための候補画像バイオマーカーとして機能する。 しかし、何千もの特徴を抽出することは、与えられた臨床作業において最も有益なものを特定するのが難しく、一方、エンドツーエンドのワークフローを実装するには、臨床研究者のアクセシビリティを制限するプログラミングの専門知識が必要である。 そこで我々は,MEDimlを提案する。MEDimlはオープンソースで標準に準拠した放射能プラットフォームであり,特徴抽出,予測モデリング,補完的なグラフィカルインタフェースとプログラムインタフェースを通じて解釈を行う。 MEDimlはPythonパッケージ(MEDiml-pkg)とグラフィカルデスクトップアプリケーション(MEDiml-app)を組み合わせることで、研究者はコードを書くことなく実験を行うことができる。 両方のインターフェースは同じ計算実装を使用し、コード生成はグラフィカルに構成されたワークフローを実行可能なPythonコードとしてエクスポートし、再現性と臨床研究者と計算科学者の協力を促進する。 典型的なMEDimlワークフローには、画像前処理、放射能特徴抽出、特徴量削減、モデルトレーニングと評価、特徴重要度を用いた解釈が含まれる。 特徴集合は、より複雑な特徴がさらなる予測価値をもたらすかどうかを評価するために、放射能複雑性(形態学、強度ベース、テクスチャル、フィルタベース)のレベルに分類することができる。 この参照マニュアルは、放射線学の概念、ワークフロー、ソフトウェアコンポーネント、アーキテクチャ、インストールを文書化し、MEDimlを既存のツールと比較し、2,104人の患者からなる5つの腫瘍画像コホート上で、その複雑性駆動ワークフローを実証する。 資料:www.mediml.app。

関連論文リスト

• SeetaPsych v1.0: An Open-source Computer Vision Toolkit for Behavior-based Psychological Measurement [56.723082541640245]
  SeetaPsychは、心理学、行動科学、人間のコンピュータインタラクション、および関連分野の研究のための視覚計測プラットフォームである。 現在のリリースには、行動に基づく生理的知覚を目的とした4つの主要なコアモジュールが含まれている。 人間の中心的な視覚分析のための補助的な前処理モジュール群も含んでいる。
  論文  参考訳（メタデータ） (2026-09-17T05:26:10Z)
• Volumetric Radiology AI in the Era of Multimodal Large Language Models [62.95443321443533]
  ボリュームラジオロジーは、基本的な表現ミスマッチを示します。 現在の大言語モデル(MLLM)は、選択された2次元(2次元)画像、圧縮された視覚表現、またはレポート由来のテキストに条件付けされている。 信頼性の高い放射線学 AIは、タスクに関連する3D情報と、これらの情報にアクセスし、検証し、統合できるシステムを保存する表現を必要とする。
  論文  参考訳（メタデータ） (2026-08-20T20:23:41Z)
• Radiuma: A Unified Zero-Code Executable Graphical Workflow Generator for Reproducible and Shareable Medical Image Analysis and Machine Learning [0.09560936263747322]
  Radiumaは、信頼できる再現可能な医療画像解析をサポートするために設計された、自由に利用可能なモジュラープラットフォームである。 Radiumaは画像読み込み、可視化、登録、融合、処理、セグメンテーション、放射能特徴抽出、機械学習モジュールを統合している。 このプラットフォームは、放射線科医、物理学者、臨床医、データサイエンティストなど、さまざまな専門知識を持つユーザーが利用できるように設計されている。
  論文  参考訳（メタデータ） (2026-05-22T20:43:21Z)
• Novel computational workflows for natural and biomedical image processing based on hypercomplex algebras [49.81327385913137]
  ハイパーコンプレックス画像処理は、代数的および幾何学的原理を含む統一パラダイムで従来の手法を拡張している。 このワークル平均は、自然・生体画像解析のための四元数と2次元平面(四元数 - ピクセルを表す - を2次元平面に分割する)を分割する。 提案手法は、画像の自動処理パイプラインの一部として、カラー外観(例えば、代替リフレクションやグレースケール変換)と画像コントラストを規制することができる。
  論文  参考訳（メタデータ） (2025-02-11T18:38:02Z)
• MAMMAL -- Molecular Aligned Multi-Modal Architecture and Language [0.4631438140637248]
  MAMMALは多タスク基盤モデルの作成に応用された汎用的手法であり、多様なモダリティにわたる大規模生物学的データセットから学習する。 11の下流タスクで評価され、9つのタスクでSOTA(the new state of the art)に到達し、2つのタスクでSOTAに匹敵する。 抗体-抗原およびナノボディ-抗原複合体上でのαfold 3結合予測能について検討し, 4点中3点においてMAMMALの分類性能は有意に向上した。
  論文  参考訳（メタデータ） (2024-10-28T20:45:52Z)
• DeepMediX: A Deep Learning-Driven Resource-Efficient Medical Diagnosis Across the Spectrum [15.382184404673389]
  この作業では,この課題に大きく対処する,画期的な,リソース効率の高いモデルである textttDeepMediX が紹介されている。 MobileNetV2アーキテクチャ上に構築されたDeepMediXは、脳MRIスキャンと皮膚がん画像の分類に長けている。 DeepMediXの設計にはフェデレートラーニングの概念も含まれている。
  論文  参考訳（メタデータ） (2023-07-01T12:30:58Z)
• 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)

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。