无监督医学图像分割 刘立豪，当归I阿维莱斯·里维罗和卡罗拉·比比亚恩·舍恩利布。 介绍 在此存储库中，我们提供了的PyTorch实现。 要求 火炬1.5.0 火炬视觉0.4.2 SimpleITK 1.2.4 opencv-python 4.2.0.32 用法 克隆存储库： git clone https://github.com/lihaoliu-cambridge/unsupervised-medical-image-segmentation.git cd unsupervised-medical-image-segmentation 下载LPBA40数据集的图像和分割蒙版： LPBA40图片： LPBA40标签： 将它们解压缩到文件夹datasets/LPBA40 ： datasets/LPBA40/LPBA40_rigidly_registered_pairs data

2021-域自适应-医学图像分析 综述译文

存在严重病变时在CT中自动进行肺分割 该软件包提供了用于肺分割的训练有素的U-net模型。 目前，有四个模型可用： U-net（R231）：该模型在覆盖范围广泛的视觉变异性的庞大而多样的数据集上进行了训练。 该模型对单个切片进行分割，分别提取左，右肺，气袋，肿瘤和积液。 气管将不包括在肺分割中。 U-net（LTRCLobes）：该模型是在数据集的子集上训练的。 该模型对单个肺叶进行分割，但是当存在密集的病理或每个切片都不可见裂痕时，其性能有限。 U-net（LTRCLobes_R231）：这将运行R231和LTRCLobes模型并融合结果。 来自LTRCLobe的假阴性将由R231预测填充，并映射到邻居标签。 LTRCLobe的误报将被删除。 融合过程的计算量很大，视数据和结果而定，每卷可能要花费几分钟。 两种模型的应用实例。 左： U-net（R231），将区分左肺和右肺，并包括非常密集的区域，例如积液（第三排），肿瘤或严重纤维化（第四排）。 右： U-net（LTRLobes）将区分肺叶，但不包括非常密集的区域。 LTRCLobes_R231将融合LTRCLobe和R2

2019最新医学图像融合的文章，使用了卷积稀疏理论和形态学成分分析理论。

dcm4chee-2.18.1-mysql.zip

Tensorflow实现“ CT结肠造影中具有有限数据集的息肉候选者检测的3D卷积神经网络框架”，Chen Yizhi，2018年，EMBC。 版权保留。 免费提供各种用于研究目的的复制和修订。 在Tensorflow1.4，Python2.7，Ubuntu16.04下 文件结构 您应该参考Configuration.py以全面了解程序和数据库的文件结构。 数据输入 为了避免训练时加载完整尺寸的CT卷所需的大量时间，我们将首先裁剪该卷，然后将它们组织为单独的POLYP DATASET。 像Configuration.py中一样准备CT结肠造影数据。 在文本文件中列出所有CT卷的目录。 在Configuation.py中修改几个重要的目录变量。 运行dataBase.py以构造信息文件和息肉数据集。 训练 “ cd version2”和“ python train.py --fold

本人很不容易找到的NSCT代码（matlab），亲测可用，压缩包有函数和例子 由于水平不够没有把每个函数看懂，但确实实现了NSCT分解和融合，低价分享给有需求的人 压缩包里还有理一个压缩包 里面有必要的函数应和大文件放一起 notes： The original author of this paper By Zhiqin Zhu and Mingyao Zheng Chongqing University of Posts and Telecommunications If you feel the infringement, please contact me and delete it immediately

为内窥镜伪影检测和分割 (EAD2020) 挑战提出的框架的实施 - 检测任务 挑战： : 我们的方法在人工制品检测任务中排名。 首先，最好阅读论文以了解一般框架： 可以在获取已安装 PyTorch 和 Detectron2 环境的 Docker 映像 本工作中使用的对象检测模型（Faster RCNN、Cascade RCNN 和 RetinaNet）基于构建 Ensemble and Test Time Augmentation改编自 对于引用，请使用以下 BibTeX 条目 @inproceedings { polat2020endoscopic , title = { Endoscopic Artefact Detection with Ensemble of Deep Neural Networks and False Positive Elimination.

美国埃默里大学医学院Xiaofeng Yang老师课题组新出的这篇论文对近几年医学图像配准深度学习方法进行了全面综述，根据其方法、特征和流行程度分为七类，对每个类别进行了详细的调研，强调了其重要的点及其相应挑战，帮助读者更好地了解当前的研究现状和思路，并且使用基准数据集对基于深度学习的肺和脑配准方法进行了全面比较，最后也介绍了未来的研究方向。

LAPS - 左房压医疗影像分析系统 项目目录结构设计思路 LAPS Database 用以存放所有 应用程序中运行的数据的 文件 Docs 用以存放所有 文档 文件 Preinstall 用以存放所有 预装 文件以及相应的添加路径脚本文件 PyUI 用以存放所有的 使用Designer设计出来的.ui文件 编译而来的.py 界面文件 使用的方法是用的external tool的中的 PYUIC PyUI-test 用以存放所有的 使用Designer设计出来的.ui文件 编译而来的.py 界面文件，与PYUI文件夹存放的文件不同的是其中的文件是可直接执行的版本，用以测试使用。 使用的方法是用的external tool的中的 PYUIC-X Resource 用以存放所有的资源文件 Images 用以存放所有的 图像资源 文件 Sounds 用以存放所有的 音频资源 文件 Qss 用以存