This book is built on radar imaging activities conducted at the Centre National d’Etudes Spatiales (CNES), Centre de Toulouse, between 1986 and 2007. We gratefully acknowledge for their support two former directors of CNES, Michel Courtois for having encouraged us to undertake the writing of a comprehensive book on SAR imaging, and Pierre Moskwa for his support during the last steps of this project.

介绍了逆合成孔径雷达成像的相关理论基础和相关处理算法，并且附有Matlab仿真程序，对学习逆合成孔径雷达成像很有帮助。

蛤 整个幻灯片图像上的数据高效和弱监督计算病理学。 自然生物医学工程 | | | TL; DR： CLAM是一种高通量且可解释的方法，可使用幻灯片级别的标签对数据进行有效的整个幻灯片图像（WSI）分类，而无需任何ROI提取或补丁级别的注释，并且能够处理多类子类型化问题。 经过训练的模型在三个不同的WSI数据集上进行了测试，可适应WSI切除和活检以及智能手机显微镜图像（显微照片）的独立测试队列。 CLAM：基于深度学习的管道，可进行高效数据和无监督的全幻灯片级别分析 ••••••••预打印•演示•引用 CLAM如何工作？ 聚类约束的注意力多实例学习（CLAM）是一种基于深度学习的弱监督方法，该方法使用基于注意力的学习来自动识别具有较高诊断价值的子区域，以便准确地对整个幻灯片进行分类，同时还利用实例代表区域上的高级别聚类，以约束和完善特征空间。 :copyright: Mahmood Lab-此代码在GP

MATROX IMAGING LIBRARY9.0(mil9.0),压缩后经解压测试成功，解压后900多M,共14个分卷，每个分卷为30M，30天试用版，安装好后还要下个LICENSE（30天）的导入才能用,当你解压时遇到CRC失败时选关闭，继续解压，可解压成功的。供全球各大工业相机，MATROX采集卡等，欢迎来电，13823365382

2007年论文Synthetic aperture imaging using dense camera array (基于密集相机矩阵的合成孔径成像)的英文原文以及翻译

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）

SLIC超像素分割MATLAB代码夜间天空/云图像分割 本着可重复研究的精神，该存储库包含在手稿中产生结果所需的所有代码：S. Dev、FM Savoy、YH Lee 和 S. Winkler，夜间天空/云图像分割， Proc。 IEEE 国际图像处理会议 (ICIP) ，2017 年。 如果您打算使用全部/部分代码，请引用上述论文。 此代码仅用于学术和研究目的。 代码组织 代码是用python和MATLAB编写的。 数据集 夜间图像分割数据集可以从链接下载。 一些示例图像可以在文件夹./images找到。 核心功能 color16Norm.m以 MATLAB 结构体的形式生成 16 个颜色通道。 所有值都被归一化。 color16_struct.m以 MATLAB 结构体的形式生成 16 个颜色通道。 createSPImage.m生成我们提出的方法的量化和二进制图像。 createSPImageNumber.m生成我们提出的方法的量化和二进制图像。 gacal.m实现gacal.m方法。 global_th_novi.m实现 Yang 等人。 2009年进场 internal_ca

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）

合成孔径雷达成像技术，这是CSA的仿真代码，供大家学习~

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