Joycelyn-Chen/AstroUNETR: Initial Release
Notice bibliographique
Résumé
Summaries of files:- Python scripts (.py): Core implementation of data processing, training, inference, evaluation, and visualization.- Jupyter Notebooks (.ipynb): Interactive notebooks for data exploration and visualizations.- Markdown files (.md): Documentation for the repository and specific sub-modules.- Configuration and Metadata files: JSON (.json) for dataset definitions/interconnectedness, CITATION.cff for citations, and LICENSE.Note: The repository primarily contains the software components. Expected data formats manipulated by these scripts include HDF5 (.h5), NIfTI (.nii.gz), and image sequences (.png/.jpg). Summaries of tools or codes:- Python 3.x is required to execute the scripts and notebooks.- Deep Learning Frameworks: PyTorch and MONAI (Medical Open Network for AI) are required for the training and inference of the 3D models (Swin-UNETR, SegResNet, UNet-3D).- META's Segment Anything Model 2 (SAM 2) is required for the scripts in the sam2 directory.- Data Processing & Visualization Libraries: h5py (HDF5 data parsing), nibabel (NIfTI formatting), numpy, matplotlib, k3d (3D visualizations), and standard scientific Python tools. Explanations of the uses for uploaded scripts or codes:- analysis/: Lightweight analysis scripts for exploratory checks, such as volume energy plotting.- data/: Conversion tools to translate simulation outputs into deep learning compatible formats (HDF5 to projections/slices, PNG to JPG, image to NIfTI) and dataset JSON generation.- evaluation/: Scripts (e.g., evaluate-nii.py) for metric computations to evaluate model segmentation outputs against ground truth masks.- graphs/: Utility scripts and notebooks designed to generate quantitative charts, histograms, and figures for analysis.- post-process/: Scripts to refine predictions by cleaning data, merging masks, removing unwanted pieces, converting semantic to instance segmentation, and multiple 3D visualizers (mag3d, temp3d, vel3d).- sam2/: Scripts exploring superbubble instance tracking and video inference using point-prompt SAM 2.- segresnet/, swin-unetr/, unet-3d/: Directories containing the primary training, testing, and validation routines for the respective 3D deep learning architectures deployed on the simulation data. Summary of the relationship between the files uploaded and the related article:This uploaded repository contains the complete software pipeline designed and developed in support of the submitted article "Segmenting Superbubbles in a simulated Multiphase Interstellar Medium using Computer Vision". The codes encompass every stage of the computational methodology discussed in the paper: from transforming raw multiphase ISM simulation data into suitable ML formats, training the state-of-the-art vision models (like Swin-UNETR and SAM2) to detect and segment superbubbles, post-processing the output masks, to finally evaluating the results and producing the quantitative tables and visual graphs presented in the article.
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 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,007 |
| Science ouverte | 0,006 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,431 | 0,516 |
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 ».