这是第二卷,RAR压缩为3卷,PDF格式
这是一本非常好的书,我也在sina的共享空间里放了这本书,但因为新浪共享对英文名字的搜索太不敏感,致使这么好的资料下载量却是非常低。
这本书,是一本非常经典的医学图像处理方面的书,基础的算法介绍,对图像处理在医学方面的应用起到了非常好的入门作用。其中有个章节是个中国名字所掇写,在医学图像处理算法方面,常可以看到算法的第一作者是我国的拼音名字,感觉应用数学方面,华人的水平可以属于非常高的了,尽管他们大部分都在国外任职或是学习,但也是中华在世界的一份力量体现,为那一个个拼音的名字而骄傲。

希望这本书能够为初入医学图像处理算法的人提供专业的指导。

这是一本非常好的书,希望不要因为是全英文,而放弃这么好的学习资料。阅读此书,不仅会提高医学图像算法方面的知识,亦会对专业英语有提高的作用呵。
2023-04-15 00:17:13 7.63MB 医学 图像处理
1
ML-MT-WebApp 这是我的本科学位课程的主要项目之一。 在这里,我开发了一种疾病预测网络应用程序,该应用程序使用机器学习的概念来预测各种疾病,例如疟疾,肺炎,糖尿病等。 下面是使用的各种模型文件的名称: 癌症模型=模型 糖尿病模型=模型1 心脏模型= model2 肝模型= model4 肾脏模型= model3 疟疾模型= model111.h5 肺炎模型= my_model.h5 用于训练深度学习模型的内核 疟疾核心模型: : 肺炎模型的核心-https: 用于模型开发的各种数据集的详细信息: 癌症:cancer.csv [在资源库中] 糖尿病:dialysis.csv [在资源库中] Heart :heart.csv [在资源库中] 肝脏: : Patient- 肾脏: : 疟疾: : 疟疾 肺炎: : //www.kaggle.c
2023-04-12 00:25:55 52.86MB machine-learning cancer heart diabetes
1
博文DICOM医学图像处理:fo-dicom网络传输之C-FIND and C-MOVE中的C-FIND服务的完整工程代码
2023-04-06 16:11:13 41KB dicom
1
分割、脑肿瘤、以及对比学习等等方向的医学图像MICCAI2022,Part Ⅴ论文合集
2023-04-06 11:24:21 99.25MB MICCAI 论文
1
高光谱成像技术在生物医学中的应用进展;高光谱成像技术在生物医学中的应用进展
2023-04-05 00:59:31 1.02MB 高光谱成像 生物医学
1
基于VTK的医学图像三维重建系统的设计与实现
2023-04-04 23:00:14 165KB VTK 医学三维重建
1
TorchIO:用于加载、扩充和写入3D医学图像的PyTorch工具 TorchIO torchio 是一个 Python 包,其中包含一组工具,可在用 PyTorch 编写的深度学习应用程序中高效读取、采样和写入 3D 医学图像,包括用于数据增强和预处理的强度和空间变换。 变换包括典型的计算机视觉操作,例如随机仿射变换,以及特定领域的操作,例如模拟由于 MRI 磁场不均匀性或 k 空间运动伪影引起的强度伪影。 这个包受到 NiftyNet 的极大启发。 索引安装特征数据处理图像数据集采样器队列变换强度 MRI k 空间运动伪影 MRI 磁场不均匀性 高斯噪声归一化 直方图标准化 Z 归一化 重新缩放空间翻转仿射变换 B 样条密集变形 示例 相关项目 Credits Installation $ pip install torchio Features 数据处理ImagesDataset ImagesDataset 是直接从 torch.utils.Dataset 继承的医学图像读取器。 它可以与 torch.utils.DataLoader 一起使用,以实现高效读取和数据扩充
2023-04-04 18:24:29 36.35MB 机器学习
1
医学图像重建入门_曾更生着(中文版),英文版请见我的其他资源
2023-04-04 15:25:55 2.19MB 医学图像重建入门 曾更生
1
针对融合后的医学图像时常存在细节纹理不够清晰的问题,本文提出一种新的基于非下采样剪切波变换(Non-Subsampled Shearlet Transform,NSST)的医学图像融合算法,对多模态医学影像进行融合,增强细节结构提取的能力,提高图像融合质量,为医疗诊断提供依据.首先,将已配准的源图像进行NSST分解,得到低频子带和一系列高频子带;其次,对于低频子带系数,提出利用局域平均能量与局域标准差的合成值进行子带之间选择的融合策略,有利于完整保存基础信息,对于高频子带系数,利用改进的拉普拉斯能量和(New Sum of Modified Laplacian,NSML)的方法进行融合;接着,将融合过后的低、高频子带进行NSST的逆过程变换,从而得到融合之后的图像;最后,在灰度和彩色医学多模态图像上进行大量的实验,并选择信息熵(IE),空间频率(SF),标准差(SD)和平均梯度(AG)对融合后的图像进行质量评价.仿真结果表明,本文算法在主观视觉效果以及客观评价指标上均取得较大改善.与其他算法相比,信息熵,标准差,空间频率和平均梯度的平均值分别提高了2.99%,4.06%,1.78%和1.37%,融合后的图像包含更丰富的细节纹理信息,视觉效果更好.
1
VTK工具 描述 通过vtk进行医学图像可视化的库。 演示版 run test.py for demo vtkShow或vtkShowNotebook vtkWindowView或vtkWindowViewNotebook
2023-03-29 11:23:41 13.42MB Python
1