3dgan-keras 这是一个实现 ，最初是由MIT CSAIL提出。 运行python main.py进行训练，不要忘记将卷放在/data/train 。 要进行测试，只需运行python main.py --mode=test并指定所需的test_epoch 。 版本号 keras == 2.2.4 去做 数据加载器 测试脚本 添加张量板 作者 Chi Nok Enoch Kan /

社会对人工智能(AI)的信任以及可信任的人工智能系统和生态系统的发展，对于人工智能技术在医学领域的进步和实施至关重要。随着人工智能在各种医疗和成像应用领域的应用日益广泛，使这些系统更加可靠和值得信赖变得比以往任何时候都重要。本文考虑了14个核心原则，旨在将针更接近于准确、有弹性、公平、可解释、安全和透明的系统:面向可信的AI。

预测医疗保险费用 该项目的主要目标是预测医疗费用。

存在严重病变时在CT中自动进行肺分割 该软件包提供了用于肺分割的训练有素的U-net模型。 目前，有四个模型可用： U-net（R231）：该模型在覆盖范围广泛的视觉变异性的庞大而多样的数据集上进行了训练。 该模型对单个切片进行分割，分别提取左，右肺，气袋，肿瘤和积液。 气管将不包括在肺分割中。 U-net（LTRCLobes）：该模型是在数据集的子集上训练的。 该模型对单个肺叶进行分割，但是当存在密集的病理或每个切片都不可见裂痕时，其性能有限。 U-net（LTRCLobes_R231）：这将运行R231和LTRCLobes模型并融合结果。 来自LTRCLobe的假阴性将由R231预测填充，并映射到邻居标签。 LTRCLobe的误报将被删除。 融合过程的计算量很大，视数据和结果而定，每卷可能要花费几分钟。 两种模型的应用实例。 左： U-net（R231），将区分左肺和右肺，并包括非常密集的区域，例如积液（第三排），肿瘤或严重纤维化（第四排）。 右： U-net（LTRLobes）将区分肺叶，但不包括非常密集的区域。 LTRCLobes_R231将融合LTRCLobe和R2

医学图像的计算机分析研究为改善病人的健康带来了许多希望。然而，一些系统性的挑战正在减缓该领域的进展，从数据的局限性(如偏差)到研究激励(如优化出版)。在这篇文章中，我们回顾了开发和评估方法的障碍。根据来自文献和数据挑战的证据，我们的分析表明，在每一步中，潜在的偏见都可能渗入。我们还积极地讨论了目前为解决这些问题所作的努力。最后，对今后如何进一步解决这些问题提出了建议。

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

2019最新医学图像融合的文章，使用了卷积稀疏理论和形态学成分分析理论。

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

医疗对话系统 MedDialog数据集（中文）包含医患之间的对话（中文）。 它具有110万对话和400万言语。 数据在不断增长，将增加更多的对话。 原始对话来自haodf.com。 数据的所有版权均属于haodf.com。 原始数据可被下载 ，您也可以从访问数据预处理 。 此中描述了数据集的详细信息 如果您发现此数据集有用，请引用： @article{chen2020meddiag, title={MedDialog: a large-scale medical dialogue dataset}, author={Chen, Shu and Ju, Zeqian and Dong, Xiangyu and Fang, Hongchao and Wang, Sicheng and Yang, Yue and Zeng, Jiaqi and Zhang, Ruisi and Z

CMID is provided by IMU.本数据集由IMU提供。 CMID_datasets.json