美国埃默里大学医学院Xiaofeng Yang老师课题组新出的这篇论文对近几年医学图像配准深度学习方法进行了全面综述，根据其方法、特征和流行程度分为七类，对每个类别进行了详细的调研，强调了其重要的点及其相应挑战，帮助读者更好地了解当前的研究现状和思路，并且使用基准数据集对基于深度学习的肺和脑配准方法进行了全面比较，最后也介绍了未来的研究方向。

XNet XNet是一个卷积神经网络，旨在将X射线图像分割为骨骼，软组织和开放束区域。 具体而言，它在小型数据集上表现良好，目的是最大程度地减少软组织类别中的假阳性数。 该代码与在SPIE医学影像会议论文集（2019）中发表的论文一起提供，可在预印本arXiv上找到，为： 引用为： @inproceedings{10.1117/12.2512451, author = {Joseph Bullock and Carolina Cuesta-Lázaro and Arnau Quera-Bofarull}, title = {{XNet: a convolutional neural network (CNN) implementation for medical x-ray image segmentation suitable for small datasets}}, vol

使用线性回归的保险预测医疗费用个人数据集 insurance.csv

LAPS - 左房压医疗影像分析系统 项目目录结构设计思路 LAPS Database 用以存放所有 应用程序中运行的数据的 文件 Docs 用以存放所有 文档 文件 Preinstall 用以存放所有 预装 文件以及相应的添加路径脚本文件 PyUI 用以存放所有的 使用Designer设计出来的.ui文件 编译而来的.py 界面文件 使用的方法是用的external tool的中的 PYUIC PyUI-test 用以存放所有的 使用Designer设计出来的.ui文件 编译而来的.py 界面文件，与PYUI文件夹存放的文件不同的是其中的文件是可直接执行的版本，用以测试使用。 使用的方法是用的external tool的中的 PYUIC-X Resource 用以存放所有的资源文件 Images 用以存放所有的 图像资源 文件 Sounds 用以存放所有的 音频资源 文件 Qss 用以存

VTK用户开发手册（（11版） 英文版 专注于医学图像的分割、配准及可视化，同时涉及界面交互功能的开发基础

基于bert ner的医疗命名实体识别模型。

组织病理学检测 创建了一种算法，以识别从较大的数字病理扫描中获取的小图像斑块中的转移癌。 该比赛的数据是对PatchCamelyon（PCam）基准数据集的略微修改版本 动机 乳腺癌的临床诊断最好通过活检来实现。 病理学家通过在显微镜下手动检查组织切片来进行诊断。 但是，传统的诊断系统需要专业知识，只有经验丰富的病理学家才能准确地确定肿瘤组织。 当前，在印度的各个农村地区，人们无法获得良好的医疗保健设施。 另外，农村地区没有新的先进设备，因此甚至有可能无法正确诊断患者。 农村地区医疗状况不佳的主要原因之一是缺乏经验丰富的医生。 数据集 该研究使用的数据集是PatchCamelyon（PCam）[21]，[22]的略微修改版本。由于其概率抽样，原始PCam数据集包含重复图像，但是此版本不包含重复图像。 该数据集是开源的，可以从（ ）下载。 数据集包含超过220K张RGB图像，尺寸为96x

U-Net-PyTorch实施 模型（一种流行的图像分割网络）的实现。 这是非常稳定和可配置的，我已经在多个数据集中使用了它，并将其作为几个项目的组成部分。 更新：还支持基于的3-D卷的分段 更新：所有批次归一化操作已被实例归一化所取代（以解决医学图像中的小批量），并且ReLU激活已被LeakyReLU取代，因为它在最近的工作中得到了更大的采用。 安装 您可以将此软件包安装在本地python环境中，并将其作为模块导入项目中。 将此存储库克隆到您选择的文件夹中。 cd git clone https://github.com/kilgore92/PyTorch-UNet.git 安装软件包依赖项，如下所示： cd /bin/pip install -r requirements.txt

医学影像中的机器学习--U-Net 是用于生物图像分割的卷积神经网络（CNN）。 为了保留更精细的特征图，使用了跳过连接来补充更深层中的数据。 在这项工作中，将相同的体系结构用于MRI脑部扫描，以预测一种给予另一种的方式。 这是通过将以两种不同方式扫描的原始MRI体数据切成可在网络上进行训练的2D图像来完成的。 该网络是使用 （用于CNN的MATLAB工具箱）实现的。

基于扩张神经网络（Divolved Convolutions）训练好的医疗领域的命名实体识别工具，这里主要引用模型源码，以及云部署方式供大家交流学习。 环境 阿里云服务器：Ubuntu 16.04 Python版本：3.6 Tensorflow：1.5 第一步：来一个Flask实例，并跑起来： 使用的是Pycharm创建自带的Flask项目，xxx.py from flask import Flask app = Flask(__name__) @app.route('/') def hello_world(): return 'Hello World!' if __name__ == '__main__': app.run() 执行python xxx.py就可以运行在浏览器中测试若直接在dos窗口中：输入命令也可测试。 第二部：服务器配置 服务器python版本为3.x 安装pi