ترجمه فارسی مقاله MIST: یک چارچوب قطعه‌بندی تصویربرداری پزشکی سه‌بعدی ساده و مقیاس‌پذیر سرتاسری

چکیده

Medical imaging segmentation is a highly active area of research, with deep learning-based methods achieving state-of-the-art results in several benchmarks. However, the lack of standardized tools for training, testing, and evaluating new methods makes the comparison of methods difficult. To address this, we introduce the Medical Imaging Segmentation Toolkit (MIST), a simple, modular, and end-to-end medical imaging segmentation framework designed to facilitate consistent training, testing, and evaluation of deep learning-based medical imaging segmentation methods. MIST standardizes data analysis, preprocessing, and evaluation pipelines, accommodating multiple architectures and loss functions. This standardization ensures reproducible and fair comparisons across different methods. We detail MIST’s data format requirements, pipelines, and auxiliary features and demonstrate its efficacy using the BraTS Adult Glioma Post-Treatment Challenge dataset. Our results highlight MIST’s ability to produce accurate segmentation masks and its scalability across multiple GPUs, showcasing its potential as a powerful tool for future medical imaging research and development.

چکیده به فارسی (ترجمه ماشینی)

تقسیم بندی تصویربرداری پزشکی یک منطقه بسیار فعال از تحقیقات است ، با روش های عمیق و مبتنی بر یادگیری که به نتایج پیشرفته در چندین معیار دست می یابند.با این حال ، عدم وجود ابزارهای استاندارد برای آموزش ، آزمایش و ارزیابی روشهای جدید ، مقایسه روشها را دشوار می کند.برای پرداختن به این موضوع ، ما مجموعه ابزار تقسیم بندی تصویربرداری پزشکی (غبار) ، یک چارچوب تقسیم بندی تصویربرداری پزشکی ساده ، مدولار و پایان به پایان را معرفی می کنیم که برای تسهیل آموزش مداوم ، آزمایش و ارزیابی روشهای تقسیم بندی تصویربرداری پزشکی مبتنی بر یادگیری عمیق طراحی شده است.غبار تجزیه و تحلیل داده ها ، پیش پردازش و خطوط لوله ارزیابی را استاندارد می کند ، دارای چندین معماری و عملکردهای از دست دادن است.این استاندارد ، مقایسه های قابل تکرار و منصفانه را در روش های مختلف تضمین می کند.ما نیاز به الزامات فرمت داده ها ، خطوط لوله و ویژگی های کمکی داریم و اثربخشی آن را با استفاده از مجموعه داده چالش پس از درمان Glioma Brats بزرگسالان نشان می دهیم.نتایج ما توانایی مه در تولید ماسک های تقسیم بندی دقیق و مقیاس پذیری آن در چندین GPU را نشان می دهد و پتانسیل آن را به عنوان ابزاری قدرتمند برای تحقیقات و توسعه تصویربرداری پزشکی آینده نشان می دهد.