matlab代码影响K空间浏览器 在逆傅立叶变换后获得有关k空间以及各种修改对所得图像的影响的动手实践的教育工具。 K-space Explorer是用Python 3编写的，并使用开放源代码库，因此可以免费使用它，并且可以检查源代码以在内部进行窥探。 该软件具有许多有用的功能，例如： 使用Qt的现代响应式用户界面 自动傅立叶变换可立即可视化更改 加载自己的图像并分析源自k空间的伪像 软件内各种功能的简短说明 :hot_beverage: 这个应用是我在业余时间创建的。 如果您觉得有用，请考虑 :hot_beverage: 安装 您将需要具有以下软件和软件包 Python 3 （最好是最新版本）。 从下载。 Python 3所需的软件包： PyQt5-提供图形用户界面 枕头-打开常规图像，例如jpg或png NumPy-处理FFT转换和数组运算 pydicom -DICOM格式医学图像读取器 通过将下面的命令复制到命令提示符（Windows： Win+R并键入cmd并按Enter），通过pip安装 pip3 install numpy pydicom Pillow PyQt5 并将其提取 启动程序 导航到包含已解压缩软件的文件夹，然后通

中文医疗化验单数据集（Chinese Medical Laboratory Dataset）.zip

先运行change.py增加特征维度，再运行baseline.py 其中d_train_20180102.csv 有5642行 d_train_20180102_add.csv 有6642行，加了A榜的1000行 如果要看A榜的线上成绩，则把baseline.py里边的train test 和ol改一下路径即可

Medical_Cost_Prediction:该项目预测了医疗病人的保险费用

语言:English (United States) 此扩展旨在帮助医生和患者有效地找到对个别病例有用的医疗资源。 该扩展旨在帮助医生和患者有效地找到对个别病例有用的医疗资源。 最新版本的V1.0支持搜索功能：由医生或症状检查者提供症状列表和可能的疾病列表，在PubMed上查找与症状密切相关的文章。 关联性定义为输入症状在给定文章中出现的次数。

深度学习的显著成功引发了人们对其在医学诊断中的应用的兴趣。即使最先进的深度学习模型在对不同类型的医疗数据进行分类时达到了人类水平的准确性，但这些模型在临床工作流程中很难被采用，主要是因为它们缺乏可解释性。深度学习模型的黑盒性提出了设计策略来解释这些模型的决策过程的需要，这导致了可解释人工智能(XAI)这个话题的产生。在此背景下，我们提供了XAI应用于医疗诊断的全面综述，包括可视化、文本和基于示例的解释方法。此外，这项工作回顾了现有的医学成像数据集和现有的指标，以评估解释的质量。作为对大多数现有综述的补充，我们包含了一组基于报告生成方法之间的性能比较。最后，还讨论了XAI在医学影像应用中的主要挑战。 https://www.zhuanzhi.ai/paper/f6e90091666dbcaa5b40c1ab82e9703b 引言 人工智能(AI)领域在过去十年取得的进展，支持了大多数计算机视觉应用的准确性的显著提高。医学图像分析是在对不同类型的医学数据(如胸部X光片[80]、角膜图像[147])进行分类时取得人类水平精确度的应用之一。然而，尽管有这些进展，自动化医学成像在临床实践中很少

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