is-Amir/hiFEM: v0.1.0 - Initial Public Release: Physics-Based Surgical Planning
Notice bibliographique
Résumé
🎉 First Public Release We are excited to release hiFEM (Hyperelastic Inverse Finite Element Method), a biomechanics-informed computational tool for patient-specific virtual surgical planning in soft tissue reconstruction. 📄 Peer-Reviewed & Published This release accompanies our paper published in Physics in Medicine & Biology (2025): DOI: 10.1088/1361-6560/adebd8 Citation: Isazadeh et al. (2025). Patient-Specific Virtual Surgical Planning for Tongue Reconstruction: Evaluating Hyperelastic Inverse FEM with Four Simulated Tongue Cancer Cases 📖 Documentation Complete function documentation in README.md Example notebook: regenerate_paper_figures.ipynb reproduces all paper results Detailed methodology in the published paper 💡 Development Status This is a research tool released for scientific and clinical exploration. It maintains a simple structure for easy integration into existing workflows via git clone and direct import. 🙏 Acknowledgments This research was funded by the Alberta Cancer Foundation, Grant Number 27 601. 📧 Contact For questions, issues, or collaboration inquiries, please open an issue on GitHub or contact the authors through the paper. What's Included Core hiFEM function with hyperelastic material model Input data for four simulated tongue cancer cases (A, B, C, D) Jupyter notebook to reproduce paper figures Complete documentation and usage examples MIT License for open collaboration Note: This is an initial release focused on functionality and reproducibility.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,116 | 0,019 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».