医疗诊断聊天机器人 一个基于Python Flask，Chatterbot，SQLAlchemy和Hexo设计的Web应用聊天机器人，用于常见疾病的初步医学诊断。 确保已安装git，nodejs，hexo和python 3.x 本地设置： pip3 install chatterbot pip3 install sqlalchemy sudo apt install nodejs sudo apt install npm npm install -g hexo-cli git clone https://github.com/haroldponceee/Medical-Diagnosis-Chatbot.git cd Medical-Diagnosis-Chatbot pip3 install -r requirements.txt npm install hexo-renderer-

Fundus_Review 该存储库将更新我们以前的论文中未包括的内容，包括对新发布的眼底图像数据集的描述以及最新的实验结果及其设置。 还介绍了我们的pdf文件：“深度学习在眼底图像中的应用：综述”。 如有任何疑问，请联系 纸 这是我们论文的pdf文件：“医学图像分析”接受的“深度学习在眼底图像中的应用：综述”。 您也可以通过或下载。 数据集 该文件描述了广泛使用的眼底图像数据集。 未包含在我们的原始论文中的新发布的数据集以蓝色显示。 实验结果 该文件描述了值得关注的最新作品的实验结果。 未包含在我们的原始论文中的最新结果以蓝色显示。 新增论文的参考文献已链接到其在线出版物。 引文 请引用本文为：陶力，王波，胡春雨，洪康，刘汉若，王凯，傅华柱。 深度学习在眼底图像中的应用：综述。 医学图像分析，2021年。

US_Medical_Insurance：使用Python分析美国医疗保险数据的项目

眼动仪设置 设置屏幕注视信息，以进行。 旨在在没有耳机的情况下提供身临其境的真实感。 同样，使用此产品，屏幕和身临其境的体验之间没有任何隔stands。 因此，我们的临床医生将在不干扰设备的情况下进行工作。 该存储库包括用于设置眼动追踪程序的功能，包括：（i）眼动追踪器的校准； （ii）寻找眼位； （iii）确认眼动仪校准设置。 它在TobiiHelper类中包含与新的 配合使用的功能，以及必不可少的Eye-Tracking例程。 该仓库是所做的工作的一部分，，一个调研组和 ，双的 。 该项目还涉及的合作。 和都是的IST 联合实验室。 引用 我们恳请利用该资料库在其相关出版物中引用该资料的科学研究和研究。 同样，我们要求使用资源库的开放源代码和封闭源代码作品来警告我们这种使用。 您可以使用以下BibTeX条目来引用我们的工作： @article{CALISTO202110260

Airmed Foundation-Node.js终端 是一个开源计划，它提供了安全的渠道来存储和传输病历。 它基于和 。 这些技术的结合保证了数据的不变性和可用性。 为了实现安全可靠的文件管理： 我们使用Bittorrent协议在IPFS网络上复制所有记录。 我们使用非对称密码来限制对记录的访问。 我们在Hyperledger Fabric区块链中保护和存储密码访问密钥。 与Airmed Foundation平台共享文件非常简单。 根据所需的隐私级别，可以上传带有或不带有非对称加密的文件。 我们创建了来解释这两个过程。 安装及使用 为了使用Airmed Foundation的Node.js终端，必须下载并安装以下依赖项： 行星际文件系统（IPFS） 码头工人 Docker撰写 Node.js NPM 虚拟机 超级账本面料 在这里，我们指导您完成此过程。 行星际文件系统（IPFS） 项目网站： : wget https://dist.ipfs.io/go-ipfs/v0.4.19/go-ipfs_v0.4.19_linux-amd64.tar.gz tar

Tensorflow实现“ CT结肠造影中具有有限数据集的息肉候选者检测的3D卷积神经网络框架”，Chen Yizhi，2018年，EMBC。 版权保留。 免费提供各种用于研究目的的复制和修订。 在Tensorflow1.4，Python2.7，Ubuntu16.04下 文件结构 您应该参考Configuration.py以全面了解程序和数据库的文件结构。 数据输入 为了避免训练时加载完整尺寸的CT卷所需的大量时间，我们将首先裁剪该卷，然后将它们组织为单独的POLYP DATASET。 像Configuration.py中一样准备CT结肠造影数据。 在文本文件中列出所有CT卷的目录。 在Configuation.py中修改几个重要的目录变量。 运行dataBase.py以构造信息文件和息肉数据集。 训练 “ cd version2”和“ python train.py --fold

本人很不容易找到的NSCT代码（matlab），亲测可用，压缩包有函数和例子 由于水平不够没有把每个函数看懂，但确实实现了NSCT分解和融合，低价分享给有需求的人 压缩包里还有理一个压缩包 里面有必要的函数应和大文件放一起 notes： The original author of this paper By Zhiqin Zhu and Mingyao Zheng Chongqing University of Posts and Telecommunications If you feel the infringement, please contact me and delete it immediately

Medical Entity Recognition and Attribute Extraction for Chinese EMR Dataset medicalentityrecognitionandattributeextractionforChineseEMR_datasets_test_datasets.7z medicalentityrecognitionandattributeextractionforChineseEMR_datasets_training_datasets.7z medicalentityrecognitionandattributeextractionforChineseEMR_datasets_unlabeled_datasets.7z

内眼深度学习 总览 这是一个深度学习工具箱，用于在医学图像（或更常见的是3D图像）上训练模型。 它与Azure中的云计算无缝集成。 在建模方面，此工具箱支持 细分模型 分类和回归模型 序列模型 分类，回归和序列模型可以仅将图像作为输入，或者将图像和非成像数据的组合作为输入来构建。 这支持了医疗数据的典型用例，在这些用例中，除了图像之外，还经常可以使用测量，生物标记或患者特征。 在用户方面，该工具箱专注于使机器学习团队能够实现更多目标。 它是云计算第一，并依靠来执行，簿记和可视化。 两者合计，得出： 可追溯性：AzureML保留已执行的所有实验的完整记录，包括代码快照。 标签会自动添加到实验中，以后可以帮助过滤和查找旧实验。 透明度：所有团队成员都可以访问彼此的实验和结果。 重现性：使用相同代码和数据的两次模型训练运行将得出完全相同的指标。 所有随机性源（例如多线程）均受到控制。 降低成本：使用AzureML，在开始培训工作时就请求所有计算（虚拟机，VM），并在最后释放它们。 闲置的虚拟机不会产生成本。 此外，Azure低优先级节点可用于进一步降低成本（便宜多达80％）。

为内窥镜伪影检测和分割 (EAD2020) 挑战提出的框架的实施 - 检测任务 挑战： : 我们的方法在人工制品检测任务中排名。 首先，最好阅读论文以了解一般框架： 可以在获取已安装 PyTorch 和 Detectron2 环境的 Docker 映像 本工作中使用的对象检测模型（Faster RCNN、Cascade RCNN 和 RetinaNet）基于构建 Ensemble and Test Time Augmentation改编自 对于引用，请使用以下 BibTeX 条目 @inproceedings { polat2020endoscopic , title = { Endoscopic Artefact Detection with Ensemble of Deep Neural Networks and False Positive Elimination.