Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Bio-Volumentations: A Python library for augmentation of volumetric image sequences

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14330%2F25%3A00140987" target="_blank" >RIV/00216224:14330/25:00140987 - isvavai.cz</a>

  • Výsledek na webu

    <a href="http://dx.doi.org/10.1016/j.softx.2025.102151" target="_blank" >http://dx.doi.org/10.1016/j.softx.2025.102151</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1016/j.softx.2025.102151" target="_blank" >10.1016/j.softx.2025.102151</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Bio-Volumentations: A Python library for augmentation of volumetric image sequences

  • Popis výsledku v původním jazyce

    Data augmentation is a widely used technique to increase generalization ability of deep learning models, especially when dealing with sparse training data. It is also crucial in biomedical applications, where annotated images are extremely rare due to high image dimensionality and expensive data acquisition processes. However, existing image augmentation toolboxes are not suitable for biomedical applications: they usually only support low-dimensional images or very few annotation types. To address this issue, we developed Bio-Volumentations-a Python library for transforming multidimensional biomedical images with image- and point-based annotations. Thanks to its universality, user-friendly interface, and independence of deep learning toolboxes, it facilitates efficient data preprocessing and augmentation in various computer vision tasks.

  • Název v anglickém jazyce

    Bio-Volumentations: A Python library for augmentation of volumetric image sequences

  • Popis výsledku anglicky

    Data augmentation is a widely used technique to increase generalization ability of deep learning models, especially when dealing with sparse training data. It is also crucial in biomedical applications, where annotated images are extremely rare due to high image dimensionality and expensive data acquisition processes. However, existing image augmentation toolboxes are not suitable for biomedical applications: they usually only support low-dimensional images or very few annotation types. To address this issue, we developed Bio-Volumentations-a Python library for transforming multidimensional biomedical images with image- and point-based annotations. Thanks to its universality, user-friendly interface, and independence of deep learning toolboxes, it facilitates efficient data preprocessing and augmentation in various computer vision tasks.

Klasifikace

  • Druh

    J<sub>imp</sub> - Článek v periodiku v databázi Web of Science

  • CEP obor

  • OECD FORD obor

    10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/GA21-20374S" target="_blank" >GA21-20374S: Segmentace a sledování buněk se složitým tvarem</a><br>

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach<br>I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Ostatní

  • Rok uplatnění

    2025

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    SOFTWAREX

  • ISSN

    2352-7110

  • e-ISSN

    2352-7110

  • Svazek periodika

    30

  • Číslo periodika v rámci svazku

    102151

  • Stát vydavatele periodika

    NL - Nizozemsko

  • Počet stran výsledku

    6

  • Strana od-do

    1-6

  • Kód UT WoS článku

    001483646900001

  • EID výsledku v databázi Scopus

    2-s2.0-105002139478