Standardy i podręczny wykaz źródeł

Źródła robocze, każde opatrzone informacją, kiedy z niego korzystać. Jest to kanoniczny praktyczny wykaz źródeł (włączono tu dawną tabelę statusów weryfikacji z docs/sources.md). Gdy zachowanie narzędzia jest niejednoznaczne, źródłem rozstrzygającym są wymienione tutaj dokumenty standardów i narzędzi.

Uwaga o weryfikacji: poniższe rodziny źródeł zweryfikowano 2026-08-10. Konkretne twierdzenie nadal wymaga sprawdzenia dokładnego źródła w miejscu użycia i odnotowania daty dostępu. Nigdy nie wymyślaj cytowania.

---

DICOM

Źródło	Co zawiera	Kiedy z niego korzystać
DICOM Standard — dicom.nema.org/standard.html (VERIFIED 2026-08-10, wyd. 2026c)	Standard normatywny (PS3.1–18). Najważniejsze strony: Image Plane Module (geometria), Segmentation Image Module (typy SEG).	Wyłącznie do rozstrzygania precyzyjnych pytań. W sprawach geometrii korzystaj z PS3.3 Image Plane Module; w sprawach pikseli — z Image Pixel Module + Modality LUT (Rescale Slope/Intercept). Nie przeglądaj bez konkretnego celu.
Innolitics DICOM browser — dicom.innolitics.com	Szybka, przeszukiwalna przeglądarka standardu	Domyślne narzędzie do sprawdzania: otwieraj tę kartę, gdy pojawia się tag; przeczytaj jego definicję, VR i moduł.
pydicom — pydicom.github.io	Biblioteka DICOM dla Pythona + dokumentacja	Każde ćwiczenie praktyczne. „Dataset basics” i samouczek „Pixel Data” obejmują około 90% potrzeb.
“DICOM is Easy” — dicomiseasy.blogspot.com	Przystępny samouczek pojęciowy	Pierwsze omówienie Patient→Study→Series→Instance oraz tag/VR/length na rzeczywistym przykładzie.

Najważniejsze części, o których istnieniu trzeba wiedzieć (PS3.3): Image Plane Module (ImagePositionPatient, ImageOrientationPatient), Image Pixel Module (PixelData, BitsAllocated, RescaleSlope/Intercept), semantyka Modality LUT, Multi-frame Functional Group macros (dla geometrii poszczególnych ramek SEG).

Obsługa fizycznej przestrzeni obrazu

Źródło	Co zawiera	Kiedy z niego korzystać
SimpleITK fundamentals — simpleitk.org (przeczytaj fundamental concepts)	Początek/odstępy/kierunek, przestrzeń fizyczna a przestrzeń indeksów, zmiana próbkowania	Najlepsze pojedyncze źródło dotyczące geometrii i zmiany próbkowania w rozdz. 2. Przeczytaj stronę „fundamental concepts” przed napisaniem kodu zmieniającego próbkowanie.
SimpleITK Resample / Transforms reference — docs	API Resample, interpolatory, transformacje	Podczas implementowania zmiany próbkowania obrazu (BSpline/Linear) i maski (NearestNeighbor).

Segmentacja / wizualizacja

Źródło	Co zawiera	Kiedy z niego korzystać
Dokumentacja 3D Slicer — slicer.readthedocs.io	Wczytywanie badań, Segment Editor, woluminy, transformacje	Wizualna kontrola jakości (część E rozdz. 2), oględziny ROI (rozdz. 3). Czytaj wraz z kursem Witowskiego i materiałem uzupełniającym o 3D Slicer.
3D Slicer Training Compendium — training.slicer.org	Uporządkowane samouczki krok po kroku z przykładowymi danymi	Ćwiczenia uzupełniające do rozdz. 1–3 oraz learning/companion-3d-slicer.md.
DICOM SEG (Segmentation Storage; PS3.3 Segment Image IOD)	Model obiektu SEG: grupy funkcjonalne, odwołania do obrazów źródłowych, tożsamość segmentu, typy BINARY/FRACTIONAL/LABELMAP	Podczas dekodowania SEG lub analizy konwersji SEG↔maska w obie strony (część C rozdz. 2).
dcmqi / highdicom — github.com/QIICR/dcmqi / highdicom.readthedocs.io	Kodowanie/dekodowanie SEG wykraczające poza pydicom	Gdy trzeba niezawodnie odczytywać/zapisywać SEG (metadane segmentacji, typy fractional/labelmap).
nnU-Net (Isensee et al., MICCAI 2021) — github.com/MIC-DKFZ/nnUNet	Samokonfigurujący się model bazowy segmentacji obrazów medycznych	Solidna domyślna architektura segmentacji (na niej zbudowano TotalSegmentator); przeczytaj część C rozdz. 6.
MONAI — monai.io	Framework DL dla obrazowania medycznego oparty na PyTorch + samouczki	Segmentacja 2D/3D, transformacje; integruje się z Slicer (MONAIAuto3DSeg).

Obrazowanie ilościowe

Źródło	Co zawiera	Kiedy z niego korzystać
IBSI 1 — Zwanenburg et al., Radiology 2020;295(2):328-338 — PMID 32154773 / doi (VERIFIED); ref. manual arXiv:1612.07003; ibsi.readthedocs.io	Definicje cech, wartości referencyjne, przebieg przetwarzania obrazu	Warstwa standaryzacji dla rozdz. 3. Definiuje, czym jest cecha wyznaczana ręcznie i jak zapewnić spójne przetwarzanie.
IBSI 2 — Whybra et al., Radiology 2024 — doi (VERIFIED 2026-08-10)	Standaryzowane filtry splotowe (LoG/wavelet/Riesz) + referencyjne obrazy po filtracji/wartości cech	Gdy używasz cech po filtracji — standaryzuje semantykę filtrów, ponieważ jej rozbieżności między programami utrudniały porównywanie cech po filtracji.
QIBA (Quantitative Imaging Biomarkers Alliance, RSNA) — rsna.org/QIBA; Profiles qibawiki.rsna.org (VERIFIED 2026-08-10)	Profile zawierające Claim dotyczące charakterystyki działania (obciążenie + powtarzalność/precyzja w określonym protokole) dla konkretnego biomarkera	Szersze ramy pomiarowe: FDG-PET SUV, DWI ADC, zmiana objętości guza w CT itd. „Ile wart jest pomiar”.
PyRadiomics — pyradiomics.readthedocs.io (cechy: features.html)	Ekstrakcja cech open source (typ obrazu, binWidth, zmiana próbkowania, klasy cech)	Implementacja dla rozdz. 3. Ustal parametry w pliku YAML (tak jak robi to TRACE-CT). Implementuje cechy w stylu IBSI z udokumentowanymi odstępstwami — gdy znaczenie ma ścisła odtwarzalność między programami, przeczytaj uwagi do poszczególnych cech.
SlicerRadiomics — rozszerzenie 3D Slicer	PyRadiomics w interfejsie użytkownika	Najpierw zbuduj intuicję interaktywnie, a dopiero potem pisz skrypty ekstrakcji wsadowej.

Zależność: QIBA charakteryzuje pomiar (obciążenie/precyzję) → IBSI 1/2 definiują obliczanie cechy/filtra → PyRadiomics implementuje → SlicerRadiomics wizualizuje.

Statystyki zgodności, bootstrap i metodyka odporności

Źródło	Co zawiera	Kiedy z niego korzystać
Lin CCC — Lin LI, Biometrics 1989;45(1):255-268 — PMID 2720055 / doi (VERIFIED 2026-08-20)	Współczynnik korelacji zgodności: zgodność względem linii identyczności 45° (precyzja × dokładność)	Zgodność pomiarów test–retest/między rekonstrukcjami. Nie Pearson r — korelacja ≠ zgodność (lekcja 11 rozdz. 3).
Pearson / covariance / moments — Lane DM, Online Statistics Education (otwarty podręcznik, VERIFIED 2026-08-20); ISLP Ch. 2	Korelacja jako standaryzowana kowariancja; momenty populacyjne a momenty z próby	Warstwa podstaw teoretycznych pod CCC; pamiętaj, że 1/N a N−1 zmienia CCC (ale nie r).
Bootstrap — Efron B, Ann Statist 1979;7(1):1-26 — doi (Project Euclid, VERIFIED 2026-08-20); NIST e-Handbook §1.3 (wykresy bootstrapowe)	Estymacja niepewności przez losowanie ze zwracaniem; przedziały percentylowe	CI dla statystyk bez analitycznie znanych rozkładów próbkowania (np. CCC); jednostka losowania = para obserwacji jednego pacjenta w test–retest (lekcja 12 rozdz. 3).
ComBat original — Johnson WE et al., Biostatistics 2007;8(1):118-127 — PMID 16632515 (VERIFIED 2026-08-20)	Korekta efektu partii metodą empirycznego Bayesa (pierwotnie dla mikromacierzy)	Czym jest ComBat — zanim zastosujesz go w radiomice.
ComBat in imaging (guide) — Orlhac F et al., J Nucl Med 2022;63(2):172-179 — PMID 34531263 / doi (VERIFIED 2026-08-20; pełny tekst w Zotero)	Przewodnik po harmonizacji radiomiki/PET; sytuacje, w których założenia ComBat nie są spełnione	Przed zastosowaniem ComBat do dowolnej wieloośrodkowej tabeli cech; najpierw zmierz odporność danych surowych.
RIDER Lung CT v3 — TCIA collection page, DOI 10.7937/K9/TCIA.2015.U1X8A5NR, CC BY 4.0 (VERIFIED 2026-08-20)	32 pacjentów z NSCLC, powtórne skany tego samego dnia, sześć rekonstrukcji na skan (wszystkie sześć należy do obecnej zawartości v3; v2 obejmowała tylko 1.25L); projekt powtórzeń tego samego dnia: Zhao et al., Radiology 2009;252(1):263-272, PMID 19561260	Publiczny zbiór test–retest + rekonstrukcje wykorzystywany w TRACE-CT M1-09.
Pfaehler et al. — Phys Imaging Radiat Oncol 2021;20:69-75 — PMID 34816024 / doi (VERIFIED; full text inspected 2026-08-23)	Przegląd systematyczny powtarzalności/odtwarzalności radiomiki: akwizycja, rekonstrukcja, segmentacja i interpolacja wpływają na stabilność; wrażliwość zależy od cechy; lista kontrolna raportowania	Korzystaj przy interpretacji podsumowań rodzin cech lub formułowaniu twierdzeń o odporności na poziomie całego przepływu pracy; nie wnioskuj o uniwersalnie stabilnej rodzinie.
Haarburger et al. — Scientific Reports 2020;10:12688 — doi (VERIFIED; full text inspected 2026-08-23)	Radiomika CT przy zmienności segmentacji ręcznej i probabilistycznej; wskazuje cechy odporne i wrażliwe wewnątrz kategorii oraz między zbiorami danych	Korzystaj, gdy wyodrębniasz segmentację jako jedno z możliwych źródeł niestabilności cech; samo badanie nie wskazuje przyczyny pełnego wyniku test–retest.
Ye et al. — BJR Open 2022;4(1):20210083 — PMID 36452056 / doi (VERIFIED; full text inspected 2026-08-23)	Ramy statystyczne dla wieloetapowych pomiarów obrazowania ilościowego: warunki powtarzalności, zróżnicowanie między osobami, CCC, przedziały ufności oraz wykresy różnicy względem średniej	Korzystaj przy interpretacji punktowych metryk zgodności względem rozrzutu kohorty oraz przy wyborze wykresów/podsumowań niepewności obok CCC.

Brakujące dane i syntetyczne dane tabelaryczne (rodziny metod M1-07/M1-08)

Źródło	Co zawiera	Kiedy z niego korzystać
mice — van Buuren S, Groothuis-Oudshoorn K, J Stat Software 2011;45(3):1-67 — doi (otwarty dostęp, FULL TEXT INSPECTED 2026-08-20: FCS, m równoległych łańcuchów, łączenie według Rubina, nietestowalność MAR)	Wielowymiarowa imputacja metodą równań łańcuchowych; kanoniczna imputacja wielokrotna (M zbiorów danych, łączenie według Rubina)	Źródło opisujące ramy metodyczne. Odróżniaj je od przybliżeń tworzących jedną tabelę (sklearn IterativeImputer) — TRACE-CT rzetelnie opisuje własne zastosowanie (lekcja 9 rozdz. 4).
CatBoost — Prokhorenkova L et al., NeurIPS 2018 — arXiv:1706.09516 (FULL TEXT INSPECTED 2026-08-20: uporządkowany boosting z prefiksami permutacji; uporządkowane TS z wygładzającym rozkładem a priori; twierdzenie o nieobciążeniu jest warunkowe)	Nieobciążony gradient boosting: uporządkowany boosting, uporządkowane statystyki docelowe dla zmiennych kategorialnych	Solidny model bazowy o ograniczonym zakresie dla predykcji/imputacji danych tabelarycznych o typach mieszanych.
CTGAN — Xu L et al., Modeling Tabular Data using Conditional GAN, NeurIPS 2019 — arXiv:1907.00503 (FULL TEXT INSPECTED 2026-08-20: normalizacja zależna od modu VGM, trening przez losowanie z częstotliwością logarytmiczną, wektor warunkowy)	Warunkowy GAN dla tabel: normalizacja zależna od modu, trening przez losowanie, generowanie warunkowe	Syntetyczne rozszerzanie danych tabelarycznych; różnica między generowaniem warunkowym a generowaniem i późniejszym filtrowaniem (lekcja 10 rozdz. 4).
TabDDPM — Kotelnikov A et al., ICML 2023, PMLR 202:17564-17579 — arXiv:2209.15421 / PMLR (FULL TEXT INSPECTED 2026-08-20: cel ε-MSE + uśredniony kategorialny KL/VLB)	Dyfuzja dla danych tabelarycznych o typach mieszanych (zaszumianie gaussowskie + wielomianowe)	Dyfuzyjna alternatywa dla GAN w tabelach; semantyka generowania bezwarunkowego + wyboru podgrupy.

Stałe zastrzeżenia (na podstawie dowodów TRACE-CT M1-07/08): syntetyczne ≠ zanonimizowane ≠ użyteczne ≠ klinicznie wiarygodne; użyteczność trzeba mierzyć na nietkniętych rzeczywistych danych odłożonych do testu (sama wierność nie wystarcza); wskaźniki ryzyka (Gower NN, dokładne/prawie dokładne duplikaty) pozostają wskaźnikami i nigdy nie gwarantują prywatności; raportuj każde ziarno generatora liczb pseudolosowych i zachowuj wyniki negatywne.

Raportowanie badań / walidacja

Źródło	Co zawiera	Kiedy z niego korzystać
CLAIM 2024 — Tejani et al., Radiol AI 2024;6(4):e240300 — doi (VERIFIED 2026-08-10)	Raportowanie badań modeli AI w obrazowaniu (klasyfikacja/segmentacja/rekonstrukcja). Nie do badań radiomiki/biomarkerów.	Perspektywa z rozdz. 7 do oceny pracy o modelu AI w obrazowaniu.
TRIPOD+AI — Collins et al. 2024 — tripod-statement.org (VERIFIED 2026-08-10)	Raportowanie badań modeli predykcyjnych (regresja lub ML)	Perspektywa z rozdz. 7 do oceny modelu predykcyjnego.
PROBAST+AI — Moons et al., BMJ 2025;388:e082505 — doi (VERIFIED 2026-08-10); rozszerza/zastępuje PROBAST-2019	Ocena ryzyka błędu systematycznego w badaniach modeli predykcyjnych	Rozdz. 4/7: systematyczny sposób wyszukiwania dróg przecieku danych.
CLEAR — Kocak et al., Insights Imaging 2023;14:75 — PMID 37142815 / doi (VERIFIED 2026-08-10); + CLEAR-E3 (2024) + METRICS	58-elementowa lista kontrolna raportowania radiomiki (popierana przez ESR/EuSoMII)	Rozdz. 3/7: podstawowe narzędzie oceny radiomiki — nie CLAIM.

Wybór ram według rodzaju badania (rozdz. 7)

• Badanie modelu predykcyjnego (regresja lub ML) → TRIPOD+AI (raportowanie) + PROBAST+AI (ryzyko błędu systematycznego).
• Badanie modelu AI w obrazowaniu (klasyfikacja / segmentacja / rekonstrukcja) → CLAIM 2024.
• Badanie biomarkera obrazowego / radiomiki → CLEAR (NIE CLAIM 2024, który wyklucza radiomikę); IBSI 1/2 do obliczania cech/filtrów.

Inne przydatne źródła podstawowe

Źródło	Kiedy z niego korzystać
IHE — Radiology TF + AI profiles (AIW-I Rev 1.1 TI 2020, AIR Rev 1.3 TI 2025, AIRA AI Result Assessment, TI 2025) — profiles.ihe.net (VERIFIED 2026-08-10; wszystkie Trial Implementation)	Przepływ pracy informatyki obrazowania i rodzaje awarii interoperacyjności (rozdz. 5); AIRA do oceny po wdrożeniu (rozdz. 9).
Materiały edukacyjne RSNA / MICCAI / SIIM; zbiory danych i wyzwania TCIA	Rzeczywiste dane, metody, modele bazowe (UNVERIFIED do czasu użycia).
Bushberg, Essential Physics of Medical Imaging (uznany podręcznik)	Pogłębienie wiedzy o akwizycji/rekonstrukcji/dawce w CT — czytaj, gdy dawka lub rekonstrukcja stanie się aktywną zmienną TRACE-CT.

Most kliniczny: interoperacyjność, dezidentyfikacja, zarządzanie, granica regulacyjna (rozdz. 5/9)

Wszystkie poniższe wiersze zweryfikowano 2026-08-29 (przejrzano pełny tekst/tekst oficjalny, chyba że zaznaczono inaczej); zmienne w czasie pozycje zweryfikuj ponownie, zanim będziesz na nich polegać w nowych twierdzeniach.

Źródło	Co zawiera	Kiedy z niego korzystać	Status
DICOM PS3.2 — Conformance (§6, §7, załącznik N; wyd. 2026c)	Cel/twierdzenie porównawcze oświadczeń o zgodności; szablon normatywny oświadczenia (klasy SOP dla poszczególnych AE, role, składnie transferu, opcje/ograniczenia)	Pytania o przewidywanie interoperacyjności (rozdz. 5, lekcja 9)	VERIFIED 2026-08-29
DICOM PS3.4 — Service Class Specs (wyd. 2026c): załącznik B (Storage, poziomy wsparcia/przekształcanie atrybutów), załącznik J (Storage Commitment Push Model, N-ACTION/N-EVENT-REPORT), załącznik F.7 (MPPS), załącznik K (MWL)	Przyjęcie do przechowywania a odpowiedzialność wynikająca ze zobowiązania; usługi listy roboczej/kroku wykonanej procedury	Pytania o Storage Commitment i stan przepływu pracy (rozdz. 5, lekcje 1 i 9)	VERIFIED 2026-08-29
DICOM PS3.15, załącznik E — Attribute Confidentiality Profiles (wyd. 2026c)	Basic Application Level Confidentiality Profile: kody działania D/Z/X/K/C/U, opcje zachowywania/oczyszczania (m.in. Clean Pixel Data, Clean Recognizable Visual Features, Retain Longitudinal Full Dates), Encrypted Attributes Data Set, Patient Identity Removed	Projektowanie i ocena profilu dezidentyfikacji (rozdz. 5, lekcja 10)	VERIFIED 2026-08-29
RODO — rozporządzenie (UE) 2016/679 (Dz. Urz. UE L 119, 4.5.2016) — EUR-Lex	art. 4 ust. 1 dane osobowe; art. 4 ust. 5 pseudonimizacja; motywy 26/28 (identyfikowalność, dane zanonimizowane)	Granica między anonimizacją w sensie prawnym a pseudonimizacją (rozdz. 5, lekcja 10)	VERIFIED 2026-08-29 (przejrzano tekst oficjalny w EUR-Lex)
EROD — opinia 28/2024 (17 grudnia 2024, modele AI/anonimizacja, edpb.europa.eu); wytyczne 02/2026 w sprawie anonimizacji (opublikowane 7 lipca 2026, projekt w konsultacjach publicznych)	Autorytatywny materiał UE traktujący anonimizację jako kontekstowe rozstrzygnięcie oparte na ryzyku (wyodrębnienie osoby/łączność danych/wnioskowanie); wytyczne 02/2026 pozostają projektem konsultacyjnym, nie ostatecznie przyjętymi wytycznymi	Twierdzenia dotyczące dezidentyfikacji, które dotykają RODO	VERIFIED 2026-08-29 (tożsamość + kluczowa zawartość); wytyczne 02/2026 = projekt, w konsultacjach
MDR — rozporządzenie (UE) 2017/745 (Dz. Urz. UE L 117, 5.5.2017) — EUR-Lex	art. 2 definicje (wyrób medyczny obejmujący oprogramowanie; przeznaczenie), motyw 19 (kwalifikacja oprogramowania)	Granica między oprogramowaniem badawczym a produktem klinicznym (rozdz. 9, lekcja 10)	VERIFIED 2026-08-29 (przejrzano tekst oficjalny w EUR-Lex)
MDCG 2019-11 rev.1 — Qualification and classification of software (17 czerwca 2025)	Przyjęte (niewiążące) wytyczne: kwalifikacja wynikająca z przeznaczenia; drabina klasyfikacji według zasady 11	Orientacja w klasyfikacji oprogramowania wyrobów (rozdz. 9, lekcja 10)	VERIFIED 2026-08-29 (przejrzano oficjalny PDF)
AI Act — rozporządzenie (UE) 2024/1689 (Dz. Urz. UE L, 12.7.2024) — EUR-Lex	art. 6 ust. 1 wysokie ryzyko = ustawodawstwo harmonizacyjne z załącznika I (wymieniono MDR) + ocena zgodności przez stronę trzecią; art. 6 ust. 2–3 załącznik III + odstępstwa	Relacja AI Act do oprogramowania wyrobów medycznych (rozdz. 9, lekcja 10)	VERIFIED 2026-08-29 (przejrzano tekst oficjalny w EUR-Lex)
HL7 FHIR R5 — ServiceRequest, ImagingStudy, DiagnosticReport, Observation (aktualna opublikowana wersja v5.0.0)	Zweryfikowane definicje zasobów i powiązania przepływu pracy obrazowania (basedOn/study/result/derivedFrom; kodowanie UID DICOM)	Most zlecenie→badanie→raport→pomiar (rozdz. 5, lekcja 1, materiał referencyjny rozdz. 5)	VERIFIED 2026-08-29
FUTURE-AI — Lekadir K, et al. BMJ 2025;388:e081554, DOI 10.1136/bmj-2024-081554, PMID 39909534 (dostęp otwarty; erratum BMJ 2025;388:r340, wyłącznie korekta pisowni nazwiska)	Międzynarodowe wytyczne konsensusowe: sześć zasad (sprawiedliwość, uniwersalność, identyfikowalność, użyteczność, odporność, wyjaśnialność), 30 zaleceń obejmujących cykl życia, ostrzejsza oczekiwana zgodność dla narzędzi przeznaczonych do wdrożenia	Pytania o projektowanie i zarządzanie wiarygodnym/wdrażalnym AI (rozdz. 6, lekcja 8, rozdz. 9, lekcja 9)	VERIFIED 2026-08-29 (przejrzano pełny tekst)
Kitamura F, et al. „Teaching AI for Radiology Applications: A Multisociety-Recommended Syllabus from the AAPM, ACR, RSNA, and SIIM.” Radiol Artif Intell 2025;7(6):e250137, DOI 10.1148/ryai.250137 (dostęp otwarty; współopublikowano także w Med Phys / JIIM)	Wielotowarzystwowy syllabus kompetencji: persony Użytkownik, Kupujący, Współpracujący lekarz, Deweloper (przepływ pracy, przygotowanie danych, obciążenie/sprawiedliwość, wdrożenie, wartość, zarządzanie)	Punkt odniesienia pokrycia i konsensus ról/kompetencji (rozdz. 9, lekcje 9–10) — nigdy samodzielny autorytet dla twierdzeń normatywnych	VERIFIED 2026-08-29 (przejrzano pełny tekst)

---

Reguły

• Nigdy nie wymyślaj cytowania; gdy twierdzenie ma znaczenie, nigdy nie kopiuj cytowania bez jego sprawdzenia. Preferuj DOI/PMID; podczas weryfikacji odnotuj datę dostępu.
• Jeśli wiarygodne źródła są ze sobą sprzeczne, zachowaj tę rozbieżność; nie rozstrzygaj jej po cichu na podstawie intuicji.
• Rozróżniaj i oznaczaj: ESTABLISHED EVIDENCE · EXPERT CONSENSUS · COMMON PRACTICE · PLAUSIBLE INFERENCE · PROJECT HYPOTHESIS.