Key points are not available for this paper at this time.
Contexte L'apprentissage automatique et l'IA promettent de révolutionner la façon dont nous exploitons les données d'imagerie médicale pour améliorer les soins, mais nécessitent de grands ensembles de données pour entraîner des modèles computationnels pouvant être mis en œuvre dans la pratique clinique. Cependant, le traitement de grands ensembles de données complexes en imagerie médicale reste un défi ouvert. Méthodes Pour aborder ce problème, nous avons développé Med-ImageTools, un nouveau logiciel open-source en Python pour automatiser la curation et le traitement des données tout en permettant aux chercheurs de partager plus facilement leurs configurations de traitement des données, abaissant ainsi la barrière pour que d'autres chercheurs puissent reproduire les travaux publiés. Cas d'utilisation Nous avons démontré l'efficacité de Med-ImageTools sur trois ensembles de données différents, ce qui a entraîné une réduction significative des temps de traitement. Conclusions La fonctionnalité AutoPipeline améliorera l'accessibilité des ensembles de données cliniques brutes dans les archives publiques, telles que le Cancer Imaging Archive (TCIA), le plus grand référentiel public d'imagerie du cancer, permettant aux chercheurs en apprentissage automatique de traiter des formats prêts pour analyse sans nécessiter de connaissance approfondie du domaine.
Kim et al. (Mar,) ont étudié cette question.