ResNet模型、训练、预测代码，每一行都有超详细注释，适合新生小白，pytorch上可运行

GoogLeNet模型、训练、预测代码，每一行都有超详细注释，适合新生小白，pytorch上可运行

AlexNet模型、训练、预测代码，每一行都有超详细注释，适合新生小白，可运行

VGGNet模型、训练、预测代码，每一行都有超详细注释，适合新生小白，可运行

LeNet模型、训练、预测代码，每一行都有超详细注释，适合新生小白，可运行

卷积神经网络第三周作业， - keras==2.0.3 - tensorflow==1.2.1 -h5py==2.7.0环境下亲测可以运行

matlab代码影响BD-RPCA 该MATLAB软件包是脚本的集合，允许在论文[1]中生成图形（图1和图2a-2e）。 本文探讨了从超声图像的超快速序列中进行高分辨率多普勒血流估计的问题。 将杂波和血液成分的分离公式化为一个反问题已在文献中显示，它是基于时空奇异值分解（SVD）的杂波滤波的良好替代方法。 特别地，最近已经在这样的问题中嵌入了去卷积步骤，以减轻成像系统的实验测量的点扩展函数（PSF）的影响。 在这种情况下显示去卷积可以提高血流重建的准确性。 但是，测量PSF要求非平凡的实验设置。 为了克服这个限制，我们在这里提出一种盲反卷积方法，该方法能够从多普勒数据中估计血液成分和PSF。 与基于实验测量的PSF的先前方法和其他两种最新方法相比，对模拟和体内数据进行的数值实验从定性和定量方面证明了该方法的有效性。 指示 将包下载为.zip文件（单击上方的绿色代码），然后将其解压缩。 请注意，解压缩的文件夹的名称应为BD-RPCA 。 将MATLAB的当前文件夹设置为此解压缩的文件夹，即BD-RPCA 。 从以下链接下载所有模拟数据：然后将它们放入“数据”文件夹中 运行[1]中与每个图

多视图深度卷积神经网络进行高分辨率乳腺癌筛查 介绍 这是用于分类的模型的实现，如我们的论文。 该实现使用户可以通过将我们的预训练CNN模型应用于具有四个视图的标准筛查乳房X线检查中来获得BI-RADS预测。 作为此存储库的一部分，我们提供了一个示例考试（在images目录中）。 该模型在TensorFlow和PyTorch中均实现。 先决条件 巨蟒（3.6） TensorFlow（1.5.0）或PyTorch（0.4.0） NumPy（1.14.3） 科学（1.0.0） 枕头（5.1.0） 数据 要使用预训练模型，输入必须包含四张图像，每个视图一个（L-CC，L-MLO，R-CC，R-MLO）。 每个图像的大小必须为2600x2000像素。 提供的样本检查中的图像已经被裁剪为正确的尺寸。 如何运行代码 可用选项位于文件birads_prediction_tf.py或birads_p

慢性肺疾病 使用卷积神经网络对肺部疾病进行分类

基于matlab深度学习工具箱来设计卷积神经网络用来对图像上的水体部分进行识别，并生成水体陆地二值化图像。采用的是9层卷积神经网络用来对图像进行特征提取和分类，水体识别的准确率可以达到96%以上。