Bibliothèque Python pour travailler avec des fichiers DICOM (Digital Imaging and Communications in Medicine). Utilisez cette compétence lors de la lecture, de l'écriture ou de la modification de données d'imagerie médicale au format DICOM, l'extraction de données pixel d'images médicales (CT, IRM, radiographie, échographie), l'anonymisation de fichiers DICOM, le travail avec les métadonnées et les tags DICOM, la conversion d'images DICOM vers d'autres formats, la gestion de données DICOM compressées ou le traitement de jeux de données d'imagerie médicale. S'applique aux tâches impliquant l'analyse d'images médicales, les systèmes PACS, les flux de travail en radiologie et les applications d'imagerie dans les soins de santé.
CE QUE VOUS DEVENEZ
Parfait pour ces scénarios
Créez des serveurs MCP pour connecter les LLM aux API REST, bases de données ou services cloud.
Développer des serveurs MCP pour permettre aux LLMs d'interroger et de visualiser des données en temps réel.
Intégrez des passerelles de paiement ou des systèmes de gestion des stocks dans des flux de travail alimentés par LLM.
Créez des serveurs MCP pour des calendriers, des gestionnaires de tâches ou des plateformes de collaboration d'équipe.
GAIN MESURÉ
Avantages prouvés et impact mesurable
Réduisez le temps de configuration du serveur MCP de plusieurs jours à quelques heures grâce à des flux de travail guidés.
Évitez les pièges courants dans la conception de serveurs MCP grâce aux meilleures pratiques intégrées.
Optimisez l'efficacité des outils et les temps de réponse pour des interactions plus fluides avec les LLM.
CE QUE VOUS OBTENEZ
Fichiers, tags et installation en trois étapes
Conseil : Lisez la documentation et le code avant la première utilisation pour connaître son rôle et les permissions requises.
SCRIPTS SUIVANTS
Recommandé selon les tags et la catégorie
Accédez aux plus de 200 millions de structures de protéines prédites par l'IA d'AlphaFold. Récupérez les structures par ID UniProt, téléchargez les fichiers PDB/mmCIF, analysez les indicateurs de confiance (pLDDT, PAE), pour la découverte de médicaments et la biologie structurale.
Cette compétence doit être utilisée lors du travail avec des matrices de données annotées en Python, en particulier pour l'analyse génomique à cellule unique, la gestion des mesures expérimentales avec des métadonnées, ou le traitement de jeux de données biologiques à grande échelle. Utilisez-la lors de tâches impliquant des objets AnnData, des fichiers h5ad, des données de RNA-seq à cellule unique ou une intégration avec les outils scanpy/scverse.
Cette compétence doit être utilisée pour les tâches d'apprentissage automatique sur séries temporelles, y compris la classification, la régression, le clustering, la prévision, la détection d'anomalies, la segmentation et la recherche de similarité. Utilisez-la lors du travail avec des données temporelles, des motifs séquentiels ou des observations indexées dans le temps nécessitant des algorithmes spécialisés au-delà des approches ML standard. Particulièrement adaptée à l'analyse de séries temporelles univariées et multivariées avec des APIs compatibles scikit-learn.
Système de génération d'agents de code Claude qui crée des agents et sous-agents personnalisés avec un en-tête YAML amélioré, des modèles d'accès aux outils et un support d'intégration MCP conformément à des modèles de production éprouvés