Fundus_Review 该存储库将更新我们以前的论文中未包括的内容，包括对新发布的眼底图像数据集的描述以及最新的实验结果及其设置。 还介绍了我们的pdf文件：“深度学习在眼底图像中的应用：综述”。 如有任何疑问，请联系 纸 这是我们论文的pdf文件：“医学图像分析”接受的“深度学习在眼底图像中的应用：综述”。 您也可以通过或下载。 数据集 该文件描述了广泛使用的眼底图像数据集。 未包含在我们的原始论文中的新发布的数据集以蓝色显示。 实验结果 该文件描述了值得关注的最新作品的实验结果。 未包含在我们的原始论文中的最新结果以蓝色显示。 新增论文的参考文献已链接到其在线出版物。 引文 请引用本文为：陶力，王波，胡春雨，洪康，刘汉若，王凯，傅华柱。 深度学习在眼底图像中的应用：综述。 医学图像分析，2021年。

眼动仪设置 设置屏幕注视信息，以进行。 旨在在没有耳机的情况下提供身临其境的真实感。 同样，使用此产品，屏幕和身临其境的体验之间没有任何隔stands。 因此，我们的临床医生将在不干扰设备的情况下进行工作。 该存储库包括用于设置眼动追踪程序的功能，包括：（i）眼动追踪器的校准； （ii）寻找眼位； （iii）确认眼动仪校准设置。 它在TobiiHelper类中包含与新的 配合使用的功能，以及必不可少的Eye-Tracking例程。 该仓库是所做的工作的一部分，，一个调研组和 ，双的 。 该项目还涉及的合作。 和都是的IST 联合实验室。 引用 我们恳请利用该资料库在其相关出版物中引用该资料的科学研究和研究。 同样，我们要求使用资源库的开放源代码和封闭源代码作品来警告我们这种使用。 您可以使用以下BibTeX条目来引用我们的工作： @article{CALISTO202110260

内眼深度学习 总览 这是一个深度学习工具箱，用于在医学图像（或更常见的是3D图像）上训练模型。 它与Azure中的云计算无缝集成。 在建模方面，此工具箱支持 细分模型 分类和回归模型 序列模型 分类，回归和序列模型可以仅将图像作为输入，或者将图像和非成像数据的组合作为输入来构建。 这支持了医疗数据的典型用例，在这些用例中，除了图像之外，还经常可以使用测量，生物标记或患者特征。 在用户方面，该工具箱专注于使机器学习团队能够实现更多目标。 它是云计算第一，并依靠来执行，簿记和可视化。 两者合计，得出： 可追溯性：AzureML保留已执行的所有实验的完整记录，包括代码快照。 标签会自动添加到实验中，以后可以帮助过滤和查找旧实验。 透明度：所有团队成员都可以访问彼此的实验和结果。 重现性：使用相同代码和数据的两次模型训练运行将得出完全相同的指标。 所有随机性源（例如多线程）均受到控制。 降低成本：使用AzureML，在开始培训工作时就请求所有计算（虚拟机，VM），并在最后释放它们。 闲置的虚拟机不会产生成本。 此外，Azure低优先级节点可用于进一步降低成本（便宜多达80％）。

XNet XNet是一个卷积神经网络，旨在将X射线图像分割为骨骼，软组织和开放束区域。 具体而言，它在小型数据集上表现良好，目的是最大程度地减少软组织类别中的假阳性数。 该代码与在SPIE医学影像会议论文集（2019）中发表的论文一起提供，可在预印本arXiv上找到，为： 引用为： @inproceedings{10.1117/12.2512451, author = {Joseph Bullock and Carolina Cuesta-Lázaro and Arnau Quera-Bofarull}, title = {{XNet: a convolutional neural network (CNN) implementation for medical x-ray image segmentation suitable for small datasets}}, vol

U-Net-PyTorch实施 模型（一种流行的图像分割网络）的实现。 这是非常稳定和可配置的，我已经在多个数据集中使用了它，并将其作为几个项目的组成部分。 更新：还支持基于的3-D卷的分段 更新：所有批次归一化操作已被实例归一化所取代（以解决医学图像中的小批量），并且ReLU激活已被LeakyReLU取代，因为它在最近的工作中得到了更大的采用。 安装 您可以将此软件包安装在本地python环境中，并将其作为模块导入项目中。 将此存储库克隆到您选择的文件夹中。 cd git clone https://github.com/kilgore92/PyTorch-UNet.git 安装软件包依赖项，如下所示： cd /bin/pip install -r requirements.txt

医学影像中的机器学习--U-Net 是用于生物图像分割的卷积神经网络（CNN）。 为了保留更精细的特征图，使用了跳过连接来补充更深层中的数据。 在这项工作中，将相同的体系结构用于MRI脑部扫描，以预测一种给予另一种的方式。 这是通过将以两种不同方式扫描的原始MRI体数据切成可在网络上进行训练的2D图像来完成的。 该网络是使用 （用于CNN的MATLAB工具箱）实现的。

Pytorch-3D-医学图像语义分割 这是我的私人研究资料库的发行版。 随着研究的进行，它将进行更新。 为什么我们需要AI来进行医学图像语义分割？ 放射治疗治疗计划需要精确的轮廓，以最大程度地扩大目标覆盖范围，同时最大程度地降低对周围高风险器官（OAR）的毒性。 医师的专业知识和经验水平各异，在手动轮廓绘制过程中会引入较大的观察者内变化。 观察者之间和观察者内部的轮廓变化导致治疗计划的不确定性，这可能会损害治疗结果。 在当前的临床实践中，由医生进行手动轮廓绘制非常耗时，当患者躺在沙发上时，它无法支持自适应治疗。 例子 CT切片 地面真相 预言 更新日志 2020年7月11日更新 基本训练/验证功能 型号：更深的3D残留U-net 2020年7月13日更新 型号：3D残留U-net 数据加载器中的规范化控制 考虑引用我们的论文： Zhang，Z.，Zhao，T.，Gay，H.，Z

转换组织病理学/细胞病理学机器学习任务的助手 主流程 扫描一些WSI。 使用WSI注释工具进行一些注释。 （和 ， 现在可参见了解详情。） 然后wsiprocess帮助将WSI +注释数据转换为补丁和易于使用的注释数据。 将为您提供GUI。 有关请参见 ，以及在已修补图像和从原始WSI加载之间进行。 安装 点用户 安装或 。 有关安装提示，请参见[wiki]。 安装wsiprocess pip install wsiprocess Anaconda用户 # Only for python 3.6 or higher conda install -c tand826 wsiprocess 文献资料 例子 作为python模块 请参阅以检查流。 基本用法 import wsiprocess as wp slide = wp . slide ( "xxx.tiff" ) annot

存储库。 注意：如果您有兴趣使用它，请随时 :star: 回购，所以我们知道！ 当前功能 配置文件 训练图 明智的输入 自述文件的更新 推理文件 定量结果 结果可视化 训练文件 目录结构 重量随模型节省 传奇 解决 工作进行中 数据集 通过仔细注释几名患有不同器官肿瘤并在多家医院被诊断出的患者的组织图像，获得了针对这一挑战的数据集。 通过从TCGA存档下载以40倍放大倍率捕获的H＆E染色的组织图像来创建此数据集。 H＆E染色是提高组织切片对比度的常规方法，通常用于肿瘤评估（分级，分期等）。 考虑到跨多个器官和患者的核外观的多样性，以及在多家医院采用的染色方案的丰富性，训练数据集将使开发健壮且可通用的核分割技术成为可能。 训练数据 包含30张图像和约22,000个核边界注释的训练数据已作为2017年IEEE Transactions on Medical Imaging上的

dwv-jqui 使用 (DICOM Web Viewer) 和医学查看器。 欢迎所有编码/实现贡献和评论。 发行版应该准备好进行部署，否则下载代码并使用yarn或npm install安装依赖项。 dwv-jqui 未获得诊断用途认证。 在 GNU GPL-3.0 许可下发布（请参阅 ）。 从头开始运行查看器的步骤 获取代码： git clone https://github.com/ivmartel/dwv-jqui.git 移至其文件夹： cd dwv-jqui 安装依赖项（使用yarn ，如果您愿意，可以替换为npm ）： yarn install 调用启动脚本以在本地服务器上启动查看器： yarn run start 您现在可以在打开浏览器并享受！ 可用脚本 # install dependencies yarn install # serve at l