基于深度学习的医学图像分析 适合初学者，内含数据集以及R源码，可以直接部署

什么是MedicalVision？ 基于pytorch的深度学习工具包，用于医学图像分析。 MedicalVision的目标是在火炬上提供轻巧的包装，可以进一步减少开发用于医学图像分析任务（例如分类，配准和分割等）的新算法的时间。 动机与目标 随着深度学习在计算机视觉中的流行，已经提出了许多基于深度学习的作品/体系结构来处理传统医学图像分析任务（分类，注册和分割）。 不幸的是，据我所知，还没有一个基于pytorch的简单有效的工具包能够实现快速原型制作。 在日常工作中，我会为各种医学图像数据集编写DataLoader并重现一些论文中介绍的算法。 为了使生活更轻松，创建了MedicalVision工具包，旨在提供： 著名医学图像数据集的数据加载器 最新模型中使用的常见损失和指标 动物园模型，包括经过培训的最新模型 ... MedicalVision工具箱仍在开发中。 以下流行的深度学习

2021-域自适应-医学图像分析 综述译文

在接下来的文章中，我们将会讨论医学影像中DICOM和NIFTI格式之间的不同，并且研究如何使用深度学习进行2D肺分割分析。除此之外，我们还将讨论在没有深度学习时，医学图像分析是如何进行的；以及我们现在如何使用深度学习进行医学图像分析。在这里，我非常欢迎和感谢我的新伙伴Flavio Trolese——4Quant的联合创始人和ETHZurich的讲师——他将协助我整合所有讨论的内容。 根据Keras官网的介绍，Keras是Theanos和TensorFlow的一个深度学习库。

mia - 医学图像分析这个 Matlab GUI 使您能够对医学图像进行分析。 提供了一组工具来执行基于切片或体积的分析。 另一方面，该程序可以被认为是有用的先前开发的和自己的用于医学图像处理的 matlab 工具的包装。 最新版本中包含以下新功能： 有关 mia 的所有包含选项的更多信息，请在以下位置找到“miahistory.doc”文件http://petunia.atomki.hu/~balkay/mia/miahistory.doc 安装，运行：将下载的文件解压缩，您将拥有一个包含整个实用程序的mia目录。 将 mia 目录（和所有子文件夹）添加到您的 matlab 路径。 运行 mia 功能。 安装前删除以前版本的 MIA（如果存在）。

本文综述了将医学领域知识引入疾病诊断、病变、器官及异常检测、病变及器官分割等深度学习模型的研究进展。

GIMIAS是一个面向工作流的环境，用于解决高级生物医学图像计算和个性化仿真问题，可以通过开发特定于问题的插件来扩展它。 此外，GIMIAS还提供了一个开放源代码框架，用于高效开发研究和临床软件原型，整合了Physiome社区的贡献，同时允许进行友好的技术转让和商业产品开发。

深度学习在医学图像分析中的应用研究综述.pdf

NiftyNet是一个基于TensorFlow的开源卷积神经网络（CNN）平台，用于研究医学图像分析和图像引导治疗。 NiftyNet的模块化结构设计用于共享网络和预先训练的模型。

批注工具源代码 在这里，您将找到用于在服务器上安装LabelMe批注工具的源代码。 LabelMe是用Javascript编写的用于在线图像标记的注释工具。 与传统的图像批注工具相比，优点是您可以从任何地方访问该工具，并且人们可以帮助您对图像进行批注，而不必将大型数据集安装或复制到他们的计算机上。 引文： BC Russell，A。Torralba，KP Murphy，WT Freeman。 LabelMe：用于图像注释的基于数据库和基于Web的工具。 国际计算机视觉杂志，77（1-3）：157-173，2008年。 下载： 您可以直接下载的。 另外，您可以按如下所示从GitHub克隆它： $ git clone https://github.com/CSAILVision/LabelMeAnnotationTool.git 内容： 图片-这是您的图片所在。 注释-这是收集注释