RADIUMA: A Shareable Executable Workflow Generator for Medical Image Analysis
Notice bibliographique
Résumé
We present RADIUMA, an open-access, zero-code, and shareable workflow generator for medical image analysis and machine learning model development. RADIUMA comprises multiple tools for 2D/3D image processing and machine learning, and supports a wide range of imaging modalities, including PET, SPECT, CT, MRI, Ultrasound (US), and Xray, with compatibility for various image formats such as DICOM, NIfTI, and NRRD. The integrated image viewer enables multi-planar visualization, and supports interactive segmentation and exporting segmentation in different formats, including RT-Struct. Moreover, RADIUMA includes multiple image registration and fusion algorithms to facilitate multimodal image analysis. It also offers comprehensive image preprocessing options using various filters, and supports advanced radiomics analysis, extracting radiomics features including shapes, intensity, texture, and deep learning features. RADIUMA includes a full suite of machine learning tools, supporting the entire executable and graphical pipeline, from feature preprocessing and selection to the development of tools for classification, regression, and clustering. Each tool can be used independently or integrated into a complete workflow. Users can construct workflows that begin with loading multi-modality DICOM images, and continue through processing, diagnosis, and prognostic modeling. Executable and graphical workflows can be saved, modified, or extended later, and most importantly, shared with other researchers and users. This allows reproducible analysis using the same parameters and settings across datasets. RADIUMA supports the principles of open science by providing a usable, reusable, reproducible, shareable, and executable workflow generator environment for the full pipeline of medical image analysis and machine learning.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,005 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,056 | 0,041 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».