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。

瓦迪亚 用于创建端到端Web应用程序的开源解决方案，以在各种临床场景中利用深度学习的力量，例如植入物检测，肺炎检测，脑部mri分割等。 公关建议： 除非项目维护人员另有要求，否则请提供测试分支的PR 适当地命名您的公关 确保您已经为此PR提出了一个问题，并且项目维护者已经批准并分配了您 在PR说明中，通常期望以下内容： 使用的数据集： 数据集大小： 数据集来源： 链接到Colab Notebook：请确保您授予具有链接的任何人查看权限 探索性数据分析[相关快照和您的推断] 使用的任何预处理方法。 [详细说明] 您的训练框架 用于训练的不同方法 测试/训练拆分 结果：请不要简单地陈述测试的准确性。 预计还会有其他性能指标，例如F1得分等 **绘制表格以显示对您使用的不同方法的性能的比较分析 结论：您认为哪种方法最好，为什么？ notebooks/目录中应包含用于训练的笔记本

2019最新医学图像融合的文章，使用了卷积稀疏理论和形态学成分分析理论。

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）