该程序给出了频率相关的相对增益阵列（RGA 和 RGA 数）、条件数和 Morari 弹性指数，并给出了系统的平方传递函数 martix。

高斯核函数 数学表示 所谓径向基函数 (Radial Basis Function 简称 RBF), 就是某种沿径向对称的标量函数。 通常定义为空间中任一点x到某一中心xc之间欧氏距离的单调函数 , 可记作 k(||x-xc||), 其作用往往是局部的 , 即当x远离xc时函数取值很小。 　　最常用的径向基函数是高斯核函数 ,形式为 k(||x-xc||)=exp{- ||x-xc||^2/2*σ^2) } 其中xc为核函数中心,σ为函数的宽度参数 , 控制了函数的径向作用范围。

在磁共振（MR）图像中对前列腺的自动分割已越来越多地应用于前列腺疾病的诊断和各种临床应用。 然而，由于前列腺边界周围的解剖结构不均匀且变化，因此前列腺MR图像的分割面临着巨大的挑战。 由于深度学习在计算机视觉中显示出优异的性能，因此我们提出了一种使用深度神经网络的粗细细分策略，以分别解决直肠内线圈前列腺图像和非直肠内线圈前列腺图像的分割问题。 首先，我们将基于配准的粗略分割呈现给预处理的前列腺MR图像，以获得潜在的边界区域。 其次，我们训练深度神经网络作为基于像素的分类器，以预测潜在边界区域中的像素是否为前列腺像素。 为了提高算法的可分辨性，我们进一步引入了集成学习以进行精细分割。 最后，使用边界细化来消除离群值并使边界平滑。 所提出的方法已经在PROMIS12挑战数据集和PROSTATEx17挑战数据集上得到了广泛的评估。 实验结果表明，该算法具有较好的分割性能（骰子比为0.910±0.036，平均边界距离为1.583±0.441，Hausdorff距离为4.579±1.791），证明了该算法的有效性。

矩阵用matlab代码实现TVB-Pypeline--进行中！ 该项目使用Nipype将我们当前的自动化MRI处理管道（）映射到Python，从而使内部使用的工具箱易于互换。 有关管道的一般概述，请参见 请注意，该管道会进行大量分析，因此计算量很大。 在使用> 100个CPU内核的高性能群集计算机上进行测试。 安装： 管道使用主要依赖于Python 2.7的Nipype。 以下列表概述了在管道的当前状态下使用的Python工具箱。 有关安装和依赖关系解决的信息，请参见相应的文档页面。 由于Nipype / Python也充当通过Shell接口调用的工具箱的包装，因此，您还必须确保要使用的工具箱已安装在系统上，并且它们的二进制文件/库包含在Shell的搜索路径中。 对于预处理，使用以下工具箱： 当涉及到纤维束描记术时，有很多可用的工具。 它们的用法还非常依赖于如何记录dwMRI数据。 主要的分离点之一是在测量过程中施加的不同扩散梯度强度的数量（即，不同b值的数量）。 如果数据集只有一个大于零的单一值，那么人们会谈论单壳数据。 一旦涉及多个值（> 0），该数据就称为多外壳数据 当前，我们测

脑分割 这是用于论文中使用的深度学习细分的源代码 它采用类似于U-Net的网络进行颅骨剥离和FLAIR异常分割。 该存储库包含一组用于数据预处理（MatLab），训练和推理（Python）的功能。 提供了经过训练的模型的权重，这些权重可用于基于深度学习的头骨剥离或在不同数据集上的微调。 如果您使用我们的模型或砝码，请引用： @article{buda2019association, title={Association of genomic subtypes of lower-grade gliomas with shape features automatically extracte

matlab开发-与MRI比较的图像分割方法。16种最先进的图像分割方法与117种MRI左心室图像进行了比较。

用matlab实现的基于学习的活动轮廓分割方法.亲测可以运行。

为了改善动态MR图像重建质量，提出了一种结合张量奇异值分解和全变分稀疏模型（TV）的动态核磁共振图像重建算法。算法对动态MR图像进行了低秩约束规范和稀疏约束规范，分别使用了张量奇异值分解阈值方法和全变分稀疏变化基方法求解。实验结果和重建视觉效果表明，在相同采样率下，该算法与单独使用全变分方法、k-t SLR方法、单独使用张量奇异值分解方法相比重建质量更优，在峰值信噪比（PSNR）、均方差（MSE）和结构相似性度量（SSIM）的评价指标上有所提高，对图像去噪去模糊重建有具体的应用价值。

利用MRI对动静脉同时进行多回波成像的图像重建代码。 该方法的优势在于能够节约扫描时间。

主要实现了基于正弦图的三种重建算法：FBP,MLEM,OSEM等，适合从事医学图像开发研究人员，包括但不限于CT, MRI，PET等。