超声CT图像重建matlab代码GAN_模型
GAN模型
相关领域
风景
甘肃省
循环GAN
研究兴趣
精选的，详尽无遗的有关生成对抗网络（GAN）及其应用的最新出版物和资源列表。
背景
生成模型是可以学习创建与我们提供给他们的数据相似的数据的模型。
这些模型中最有前途的方法之一是生成对抗网络（GAN），这是无监督机器学习的一个分支，由两个神经网络在零和游戏框架中相互竞争的系统实现。
它们最初是由Ian
Goodfellow等人介绍的。
自2014年推出以来，该资料库旨在详细介绍生殖对抗网络领域的最新作品。
图片取自
这将是一个不断发展的存储库，我将不断对其进行更新，因此在继续之前，请确保您已对该存储库加注星标并分叉！
:link:
内容
:busts_in_silhouette:
贡献
欢迎捐款！！
如果您有任何建议（缺少或有新论文，缺少回购或错别字），则可以提出请求或开始讨论。
:pushpin:
开幕刊物
生成对抗网络（GAN）（2014）
:fire:
伊恩·古德费洛（Ian
Goodfellow）的最新论文
自我注意生成对抗网络（SAGAN）（2018）
:clipboard:
论文（基于Google学术搜索引用的降序排列）
序列号
纸
年
引文
1个
深度卷积生成对抗
2021-09-03 12:07:08
60.12MB
1
行业-电子政务-使用声学超声阻抗描记术的指纹传感器的电气系统、方法和装置.zip
2021-09-02 09:02:10
906KB
行业-电子政务-收发性能平衡的微机电超声换能器面阵探头及其制备方法.zip
2021-09-02 09:01:50
920KB
完整英文版 IEC 60601-2-62：2013 Medical electrical equipment - Part 2-62：Particular requirements for the basic safety and essential performance of high intensity therapeutic ultrasound (HITU) equipment（医用电气设备 - 第 2-62 部分：高强度治疗性超声 (HITU) 设备基本安全和基本性能的特殊要求）。IEC 60601-2-62:2013 适用于高强度治疗超声设备的基本安全和基本性能。本国际标准增加或替换了 IEC 60601-1 中列出的特定于高强度治疗超声设备的条款。如果条款或子条款专门用于仅适用于此类设备或仅适用于相关系统，则该条款或子条款的标题和内容将如此说明。如果情况并非如此，则该条款或子条款适用于相关的单个设备和系统。除通用标准的 7.2.13 和 8.4.1 外，本标准范围内设备或系统的预期生理功能所固有的危害不在本标准的特定要求范围内。本标准也适用于
- 通过暴露于高强度治疗性超声进行溶栓的治疗设备；
- 用于通过暴露于高强度聚焦超声来治疗阻塞喂养血管的治疗设备；
- 以及用于缓解骨转移引起的癌痛的设备。
本特定标准不适用于
- 用于物理治疗的超声设备（使用 IEC 60601-2-5 和 IEC 61689）；
- 用于碎石术的超声设备（使用 IEC 60601-2-36）；
- 用于专用热疗设备的超声波设备；和
-超声设备拟用于超声乳化。
2021-09-01 19:02:30
6.88MB
完整英文版 IEC 60601-2-37：2015 Medical electrical equipment - Part 2-37：Particular requirements for the basic safety and essential performance of ultrasonic medical diagnostic and monitoring equipment （医疗电气设备 - 第 2-37 部分：超声医疗诊断和监测设备的基本安全和基本性能的特殊要求）。IEC 60601-2-37:2007+A1:2015 适用于超声诊断设备的基本安全和基本性能。用于起草超声波诊断设备安全的这一特定标准的方法和理念与适用于其他诊断方式（例如 X 射线设备和磁共振系统）的 IEC 60601 2 xx 系列标准中的方法和理念一致。在每种情况下，安全标准都旨在要求输出显示指示器和/或控制装置的复杂性随着诊断询问领域中能量水平的增加而增加。因此，对于所有此类诊断方式，操作员有责任了解超声诊断设备输出的风险，并采取适当的行动以获得所需的诊断信息，同时对患者的风险最小。本版将前一版及其修订版合并为与母版 IEC 60601-1:2005 兼容的形式。
2021-09-01 14:05:55
8.41MB
EchoNet-Dynamic： 可解释的AI用于逐次跳动的心脏功能评估
EchoNet-Dynamic是一种端到端的逐点深度学习模型，用于
左心室的语义分割
通过整个视频或子采样片段预测射血分数，以及
评估射血分数降低的心肌病。
有关更多详细信息，请参见随附的论文，
David Ouyang，Bryan He，Amirata Ghorbani，Neal Yuan，Joseph Ebinger，Curt P.Langlotz，Paul A.Heidenreich，Robert A.Harrington，David H.Liang，Euan A.Ashley和James Y.Zou。 自然，2020年3月25日
数据集
我们共享一组已确定身份的10,030张超声心动图图像，这些图像用于训练EchoNet-Dynamic。 使用OpenCV和pydicom对这些图像进行预处理，包括取消识别
2021-09-01 08:49:35
11.31MB
1