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

cr:Toyhom 本数据集由Toyhom提供。 LICENSE.txt sample_IM5000-6000.csv chinese medical dialogue_datasets.zip

病历作为医务人员对患者疾病的发生、发展与转归，以及进行检查、诊断与治疗等医疗活动过程的记录，在整个患者诊断治疗过程中扮演着重要的角色。病历的电子信息化是医院信息化建设的基础与重点。本设计开发了一款符合医院病历管理业务流程的电子病历系统，进而提高了病历管理工作效率与诊疗服务质量，有助于医院信息化管理水平的提升。

pydicom-seg 使用作为DICOM序列化/反序列化库来读取和写入医学图像分割存储文件。 有关支持的功能和用法的详细说明，请参阅。 动机 项目在一段时间内将DICOM-SEG文件转换为ITK兼容的数据格式（通常用于研究）成为可能。 但是，该项目是用C ++编写的，仅通过二进制文件itkimage2segimage和segimage2itkimage提供对转换的访问。 将DICOM-SEG文件转换为ITK NRRD文件格式后，用户必须在输出目录中扫描生成的文件，分别加载它们，并可能将多个文件组合为所需的格式。 该库旨在通过提供对numpy和SimpleITK支持的Python读写功能，来SimpleITK 。 另外，开箱即用地支持诸如加载多类细分之类的常见用例。 安装 从PyPI安装 pip install pydicom-seg 从源安装 该软件包使用 （版本> = 1.0.5）

pyadiomics v3.0.1 建立状态 Linux 苹果系统 视窗 Python中的Radiomics功能提取 这是一个开源python软件包，用于从医学成像中提取Radiomics功能。 借助此软件包，我们旨在建立放射分析的参考标准，并提供经过测试和维护的开源平台，以轻松，可重复地提取放射特征。 通过这样做，我们希望提高对放射功能的认识并扩大社区。 该平台支持2D和3D中的特征提取，并且可用于计算感兴趣区域的每个特征的单个值（“基于段”）或生成特征图（“基于体素”）。 不适用于临床。 如果您发布使用此软件包的任何作品，请引用以下出版物： van Griethuysen，JJM，Fedorov，A.，Parmar，C.，Hosny，A.，Aucoin，N.，Narayan，V.，Beets-Tan， RGH，Fillion-Robin，JC，Pieper，S.，Aerts，HJWL（2017）。 计算射线学表型的计算机放射学系统。 癌症研究，77（21），e104-e107。 加入社区！ 请加入的。 要素类 当前支持以下要素类： 一阶统计 基于形状（2D和3D）

使用 3D 多分辨率 R-CNN 的脑微出血 3D 实例分割框架 由 I-Chun Arthur Liu、Chien-Yao Wang、Jiun-Wei Chen、Wei-Chi Li、Feng-Chi Chang 撰写的论文“3D Instance Segmentation Framework for Cerebral Microbleeds using 3D Multi-Resolution R-CNN”的官方 PyTorch 实现Yi-Chung Lee, Yi-Chu Liao, Chih-Ping Chung, Hong-Yuan Mark Liao, Li-Fen Chen. 论文目前正在审查中。 关键词：3D 实例分割、3D 对象检测、脑微出血、卷积神经网络 (CNN)、磁敏感加权成像 (SWI)、3D Mask R-CNN、磁共振成像 (MRI)、医学成像、pytorch

用于健康预测模型的Python库（PyHealth） 部署，文档和统计 建筑状态，覆盖范围，可维护性和许可 发展状况：截至2021年1月4日，PyHealth处于积极发展阶段，处于alpha阶段。请关注，加注星标和获取最新功能！ PyHealth是针对医疗保健AI的全面Python软件包，专门为ML研究人员以及医疗保健和医学从业人员设计。 PyHealth接受各种医疗保健数据，例如纵向电子健康记录（EHR），连续信号（ECG，EEG）和临床记录（待添加），并支持使用深度学习和其他高级机器学习算法发布的各种预测建模方法，文学。 该图书馆由， 和的研究人员自豪地开发和维护。 PyHealth使许多重要的医疗保健任务变得可访问，例如表型预测，死亡率预测和ICU停留时间预测等。使用深度学习模型运行这些预测任务，在PyHealth中可以短到10行代码。 PyHealth包含三个主要模块：（i）

V-Net的Tensorflow实现 这是用于3D医学成像分割的架构的Tensorflow实现。 该代码仅实现Tensorflow图，必须在训练程序中使用它。 网络的视觉表示 这是此代码实现的网络示例。 用法示例 from VNet import VNet input_channels = 6 num_classes = 1 tf_input = tf.placeholder(dtype=tf.float32, shape=(10, 190, 190, 20, input_channels)) model = VNet(num_classes=num_classes, keep_prob=.7) logits = model.network_fn(tf_input, is_training=True) logits将具有[10, 190, 190, 20, 1] logits形状[10,