心脏 MR 图像中 LV 的半自动分割

U-Net经典论文

介绍 自2015年以来， UNet在医学图像分割方面取得了重大突破，开启了深度学习的时代。 后来的研究人员在UNet的基础上做了很多改进，以提高语义分割的性能。 在这个项目中，我们已经编译了近年来与UNet（ UNet family ）有关的语义分割模型。 我的实现主要基于pytorch ，其他实现是从原始论文的作者或优秀存储库中收集的。 作为记录，该项目仍在建设中。 如果您有任何建议或问题，请提出问题或通过电子邮件与我联系。 此外，为什么UNet神经网络在医学图像分割中表现良好？ 您可以从在纸湖的中找出。 网络家庭 2015年 U-Net：用于生物医学图像分割的卷积网络（MICCAI）[] [ ] [ ] 2016年 V-Net：用于体积医学图像分割的全卷积神经网络[] [ ] [ ] 3D U-Net：从稀疏注释中学习密集的体积分割[] [ ] 2017年 H-Dens

计算机视觉Github开源论文

基于高容量直方图的可逆数据隐藏具有相对较低的失真。使用四叉树的分层分割方案能够在每个块分区的最大容量标准下将输入图像分割成几个可变大小的像素块。秘密信息是然后嵌入到这些块中。

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。

句子 这个存储库包含一个 R 包，它是一个围绕句子 C++ 库的 Rcpp 包装器 句子是一个无监督的分词器，它允许使用字节对编码和 Unigrams 执行文本分词 它基于论文SentencePiece: A simple and languagedependent subword tokenizer and detokenizer for Neural Text Processing [ ] 句子 C++ 代码可从。 这个包目前包含版本 v0.1.84 这个 R 包具有与 R 包类似的功能 特征 R 包允许您 构建字节对编码 (BPE)、Unigram、Char 或 Word 模型 应用模型对文本进行编码 应用模型将 id 解码回文本 下载基于维基百科的预训练句子模型 安装 对于普通用户，从本地 CRAN 镜像install.packages("sentencepiece")安装包

VesselSeg-Pytorch ：基于pytorch的视网膜血管分割工具包 介绍 该项目是基于python和pytorch框架的视网膜血管分割代码，包括数据预处理，模型训练和测试，可视化等。该项目适合研究视网膜血管分割的研究人员。 要求 python环境的主要包和版本如下 # Name Version python 3.7.9 pytorch 1.7.0 torchvision 0.8.0 cudatoolkit 10.2.89 cudnn 7.6.5

Multi-scale self-guided attention for medical image segmentation.pdf

collect2: fatal error: ld terminated with signal 11 [Segmentation fault], core dumped g++/gcc都不能编译了，一直抱ld的问题。网上找了很多方法都不行，弄了好久终于搞定了