关于 我发现一些客户的图像在将其上传到他们的网站后神秘地旋转了90或270度。 该文件将在Photoshop中正确显示，但上传后将被错误地旋转。 更奇怪的是，如果您重新下载图像并在Photoshop中将其打开-看起来是正确的！ 老实说，我不确定是什么原因造成的。 有一段EXIF数据，即“ Image Orientation”，以某种方式设置，并以某种方式导致PIL错误地显示图像（或可能正确显示，具体取决于您的视图）。 此修补程序仅查看EXIF数据，然后重新旋转它以撤消“图像方向”标签。 它不会修改EXIF数据。 实际上，一些快速测试表明，一旦运行脚本，大多数EXIF数据都会丢失（目前我还不担心）。 正在安装 img_rotate在上可用，可以与一起安装： pip install img_rotate 命令行使用 使用此脚本的最简单方法是从命令行输入图像的文件名进行修复： >>>

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 /

Inverse Synthetic Aperature Radar Imaging with MATLAB Algorithms (Wiley Series in Microwave and Optical Engineering) (Caner Ozdemir) (z-lib.org)

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。

可以用在python3.4版本下的, 只为了赚钱小钱，有问题可以留言

针对从投影数据重建横截面图像的算法提供了全面的，教程式的介绍。 包含层析成像所需的工程和信号处理算法的完整概述。

FMCW Signals for Radar Imaging and Channel Sounding.pdf，这是一份不错的文

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

Microsoft Office Document Imaging 中文 简体 OCR辨识

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。