瓦迪亚 用于创建端到端Web应用程序的开源解决方案，以在各种临床场景中利用深度学习的力量，例如植入物检测，肺炎检测，脑部mri分割等。 公关建议： 除非项目维护人员另有要求，否则请提供测试分支的PR 适当地命名您的公关 确保您已经为此PR提出了一个问题，并且项目维护者已经批准并分配了您 在PR说明中，通常期望以下内容： 使用的数据集： 数据集大小： 数据集来源： 链接到Colab Notebook：请确保您授予具有链接的任何人查看权限 探索性数据分析[相关快照和您的推断] 使用的任何预处理方法。 [详细说明] 您的训练框架 用于训练的不同方法 测试/训练拆分 结果：请不要简单地陈述测试的准确性。 预计还会有其他性能指标，例如F1得分等 **绘制表格以显示对您使用的不同方法的性能的比较分析 结论：您认为哪种方法最好，为什么？ notebooks/目录中应包含用于训练的笔记本

Covid预后 该存储库包含用于复制以下论文的代码： 我们还提供了MoCo预培训过程中的模型，供有兴趣根据自己的数据进行微调的小组使用。 在使用此代码或预先训练的模型之前，请查阅。 安装 首先，按照安装PyTorch。 然后，导航到CovidPrognosis根目录并运行 pip install -e . 之后，您应该可以在cp_examples运行示例。 用法 对于预训练，您需要下载或数据集。 下载数据后，将路径添加到configs/data.yaml ，并且应将其用作默认路径。 cp_examples目录包含三个子目录，分别对应于本文中的培训阶段： moco_pretrain ：动量对比度（MoCo）预训练（例如，使用MIMIC，CheXpert或同时使用两者） sip_finetune ：对单图像预测任务（即，单图像不良事件预测或氧气需求预测）的sip_finetune模型进行微调 mip_finetune ：针对多图像预测任务的mip_finetune模型的微调 我们的代码建立在框架之上。 为公共X射线数据集设置了MoCo预训练和SIP微调的示例脚本-由于考

pydicom-seg 使用作为DICOM序列化/反序列化库来读取和写入医学图像分割存储文件。 有关支持的功能和用法的详细说明，请参阅。 动机 项目在一段时间内将DICOM-SEG文件转换为ITK兼容的数据格式（通常用于研究）成为可能。 但是，该项目是用C ++编写的，仅通过二进制文件itkimage2segimage和segimage2itkimage提供对转换的访问。 将DICOM-SEG文件转换为ITK NRRD文件格式后，用户必须在输出目录中扫描生成的文件，分别加载它们，并可能将多个文件组合为所需的格式。 该库旨在通过提供对numpy和SimpleITK支持的Python读写功能，来SimpleITK 。 另外，开箱即用地支持诸如加载多类细分之类的常见用例。 安装 从PyPI安装 pip install pydicom-seg 从源安装 该软件包使用 （版本> = 1.0.5）

pyadiomics v3.0.1 建立状态 Linux 苹果系统 视窗 Python中的Radiomics功能提取 这是一个开源python软件包，用于从医学成像中提取Radiomics功能。 借助此软件包，我们旨在建立放射分析的参考标准，并提供经过测试和维护的开源平台，以轻松，可重复地提取放射特征。 通过这样做，我们希望提高对放射功能的认识并扩大社区。 该平台支持2D和3D中的特征提取，并且可用于计算感兴趣区域的每个特征的单个值（“基于段”）或生成特征图（“基于体素”）。 不适用于临床。 如果您发布使用此软件包的任何作品，请引用以下出版物： van Griethuysen，JJM，Fedorov，A.，Parmar，C.，Hosny，A.，Aucoin，N.，Narayan，V.，Beets-Tan， RGH，Fillion-Robin，JC，Pieper，S.，Aerts，HJWL（2017）。 计算射线学表型的计算机放射学系统。 癌症研究，77（21），e104-e107。 加入社区！ 请加入的。 要素类 当前支持以下要素类： 一阶统计 基于形状（2D和3D）

使用 3D 多分辨率 R-CNN 的脑微出血 3D 实例分割框架 由 I-Chun Arthur Liu、Chien-Yao Wang、Jiun-Wei Chen、Wei-Chi Li、Feng-Chi Chang 撰写的论文“3D Instance Segmentation Framework for Cerebral Microbleeds using 3D Multi-Resolution R-CNN”的官方 PyTorch 实现Yi-Chung Lee, Yi-Chu Liao, Chih-Ping Chung, Hong-Yuan Mark Liao, Li-Fen Chen. 论文目前正在审查中。 关键词：3D 实例分割、3D 对象检测、脑微出血、卷积神经网络 (CNN)、磁敏感加权成像 (SWI)、3D Mask R-CNN、磁共振成像 (MRI)、医学成像、pytorch

V-Net的Tensorflow实现 这是用于3D医学成像分割的架构的Tensorflow实现。 该代码仅实现Tensorflow图，必须在训练程序中使用它。 网络的视觉表示 这是此代码实现的网络示例。 用法示例 from VNet import VNet input_channels = 6 num_classes = 1 tf_input = tf.placeholder(dtype=tf.float32, shape=(10, 190, 190, 20, input_channels)) model = VNet(num_classes=num_classes, keep_prob=.7) logits = model.network_fn(tf_input, is_training=True) logits将具有[10, 190, 190, 20, 1] logits形状[10,

CT图像重建：使用MATLAB的计算机断层扫描图像重建项目

yeap16：CT图像骨分割 的3D创新实验室提供的“代码库。 此代码随附标题为： “使用卷积神经网络进行医学增材制造的骨骼的CT图像分割” 目前正在审查中。 目的 CT扫描的骨分割是医疗计划中必不可少的步骤。 骨结构的确切厚度，方向和位置对于制造患者特定的结构（例如手术指南和植入物）是必不可少的。 在骨骼分割期间，医学图像中的每个像素都被分类为“骨骼”或“背景”。 不幸的是，当前的算法要么缺乏鲁棒性和可靠性，要么需要乏味的手动交互（ ）。 因此，该存储库包含一个全自动的卷积神经网络（CNN），以执行CT扫描的骨骼分割。 模型训练 使用3例先前在Vrije大学医学中心接受治疗的患者的CT扫描对CNN进行了培训。 根据经验丰富的医学工程师的知识，CT扫描的每个像素都被标记为“骨头”或“背景”。 随机选择了500,000个像素，以在这些选定像素周围创建33x33的轴向补丁。 这些补丁随后

OHIF医学影像查看器 OHIF Viewer是由提供的零占用空间医学图像查看器。 它是一个可配置和可扩展的渐进式Web应用程序，对支持图像存档具有即用的支持。 | | 关于 OHIF医学影像查看器用于查看医学影像。 它可以从大多数来源和格式中检索和加载图像； 以2D，3D和重建表示形式渲染集； 允许对观察值进行操作，注释和序列化； 支持国际化，OpenID Connect，脱机使用，热键以及许多其他功能。 几乎所有内容都提供了一定程度的自定义和配置。 如果它不支持您需要的东西，我们会接受请求并拥有不断完善的扩展系统。 为什么选择我们 社区与经验 OHIF Viewer是协作的成果，已成为许多现役，生产和FDA Cleared医学成像查看器的基础。 它得益于我们广泛的社区的集体经验，以及个人，研究小组和商业组织的赞助。 专为适应 与许多公司和组织进行了5年以上的整合之后，OHIF Viewer从头开始进行了重建，以更好地满足其许多用户不断变化的工作流程和配置需求。 Viewer的所有核心功能都是使用其自己的扩展系统构建的。 相同的可扩展性使我们能够提供： 2D和3D医学图像查看

FracNet 抽象的 背景：肋骨骨折的诊断在确定创伤严重程度方面起着重要作用。 但是，随着患者数量的增加，快速，准确地识别大量CT图像中的肋骨骨折是一项艰巨的任务，这也要取决于放射科医生的资格。 我们的目标是针对临床上适用的自动系统，用于从CT扫描中进行肋骨骨折的检测和分割。 方法：将来自一个中心的900例患者的总计7,473例带注释的外伤性肋骨骨折纳入我们的数据集，称为RibFrac数据集，并使用人工环标签程序进行注释。 我们开发了一种名为FracNet的深度学习模型，用于检测和分割肋骨骨折。 分别将720名，60名和120名患者随机分为训练组，调整组和测试组。 使用FreeResponse ROC（FROC）分析来评估检测性能的敏感性和假阳性，并使用联合路口交叉口（IoU）和骰子系数（Dice）来评估预测的肋骨骨折的分割性能。 观察者研究（包括独立的仅涉及人类的研究和人类协作研究）