Imaging Evidence Path

O projekcie

Imaging Evidence Path to niezależny projekt edukacyjny i badawczy Adriana Tkacza, MD, MSc Computer Science. Łączę w nim doświadczenia z medycyny, informatyki, bioinformatyki, systemów IT ochrony zdrowia oraz dużych platform danych.

Tworzę ten przewodnik, systematycznie porządkując i pogłębiając własną wiedzę z zakresu obrazowania medycznego, obrazowania ilościowego i radiomiki. Celem jest połączenie fizyki obrazowania, DICOM, metod ilościowych, walidacji statystycznej i dowodów klinicznych w jedną technicznie rygorystyczną ścieżkę, opartą tam, gdzie to możliwe, na literaturze źródłowej, reprodukowalnych przykładach i wnioskach z rzeczywistej pracy badawczej.

O autorze

Gdzie czego szukać

• Mapa literatury — intelektualna mapa piśmiennictwa (PMID/DOI; pliki PDF znajdują się w Zotero).
• Kursy i materiały wideo — wybrane zewnętrzne materiały edukacyjne, połączone ze ścieżką, a nie powielone.
• Standardy i podręczny wykaz źródeł — DICOM, SimpleITK, 3D Slicer, IBSI, PyRadiomics, CLAIM/TRIPOD+AI.
• Mapa powiązań TRACE-CT z materiałem edukacyjnym — rzeczywiste przykłady rozwiązane krok po kroku z głównego laboratorium praktycznego.
• Notatka z EuSoMII 2026 — AI w obrazowaniu układu mięśniowo-szkieletowego oraz AI ogólnego przeznaczenia w obrazowaniu.

Jeśli masz dziś wieczorem 60 minut

Wybierz jedną rzecz: otwórz przekrój RIDER w pydicom i przelicz zapisane wartości pikseli na HU (rozdz. 1); oblicz wektor normalny płaszczyzny przekrojów rzeczywistej serii (rozdz. 4); kontynuuj rozdział ISLP (rozdz. 7); albo przeanalizuj Tran et al. z perspektywy metodologii badań ([rozdz. 9]). Głębia zamiast szerokości.

Ten czytnik bezpośrednio renderuje kanoniczne pliki Markdown repozytorium — nie powiela ich. Źródłem prawdy jest BioMedical-IT/imaging-evidence-path w Forgejo.