基于MRI的人工智能在肝纤维化诊断中的应用进展.pdf

完全免费的放射工作站、远程影像工作站、DR\CT\MRI\DSA工作站，支持dicom3.0协议，支持胶片打印（匹配所有设备）支持报告书写，打印

颈椎病与MRI的T2加权ISI[2].pdf

心脏 MR 图像中 LV 的半自动分割

对大脑研究的介绍，研究fMRI数据的可以看看。

很好的PPT资料，供讲解ICA算法很好的用处，还可以用于对MRI图形有关的ICA算法分析。

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