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

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,

CT图像重建：使用MATLAB的计算机断层扫描图像重建项目

yeap16：CT图像骨分割 的3D创新实验室提供的“代码库。 此代码随附标题为： “使用卷积神经网络进行医学增材制造的骨骼的CT图像分割” 目前正在审查中。 目的 CT扫描的骨分割是医疗计划中必不可少的步骤。 骨结构的确切厚度，方向和位置对于制造患者特定的结构（例如手术指南和植入物）是必不可少的。 在骨骼分割期间，医学图像中的每个像素都被分类为“骨骼”或“背景”。 不幸的是，当前的算法要么缺乏鲁棒性和可靠性，要么需要乏味的手动交互（ ）。 因此，该存储库包含一个全自动的卷积神经网络（CNN），以执行CT扫描的骨骼分割。 模型训练 使用3例先前在Vrije大学医学中心接受治疗的患者的CT扫描对CNN进行了培训。 根据经验丰富的医学工程师的知识，CT扫描的每个像素都被标记为“骨头”或“背景”。 随机选择了500,000个像素，以在这些选定像素周围创建33x33的轴向补丁。 这些补丁随后

OHIF医学影像查看器 OHIF Viewer是由提供的零占用空间医学图像查看器。 它是一个可配置和可扩展的渐进式Web应用程序，对支持图像存档具有即用的支持。 | | 关于 OHIF医学影像查看器用于查看医学影像。 它可以从大多数来源和格式中检索和加载图像； 以2D，3D和重建表示形式渲染集； 允许对观察值进行操作，注释和序列化； 支持国际化，OpenID Connect，脱机使用，热键以及许多其他功能。 几乎所有内容都提供了一定程度的自定义和配置。 如果它不支持您需要的东西，我们会接受请求并拥有不断完善的扩展系统。 为什么选择我们 社区与经验 OHIF Viewer是协作的成果，已成为许多现役，生产和FDA Cleared医学成像查看器的基础。 它得益于我们广泛的社区的集体经验，以及个人，研究小组和商业组织的赞助。 专为适应 与许多公司和组织进行了5年以上的整合之后，OHIF Viewer从头开始进行了重建，以更好地满足其许多用户不断变化的工作流程和配置需求。 Viewer的所有核心功能都是使用其自己的扩展系统构建的。 相同的可扩展性使我们能够提供： 2D和3D医学图像查看

FracNet 抽象的 背景：肋骨骨折的诊断在确定创伤严重程度方面起着重要作用。 但是，随着患者数量的增加，快速，准确地识别大量CT图像中的肋骨骨折是一项艰巨的任务，这也要取决于放射科医生的资格。 我们的目标是针对临床上适用的自动系统，用于从CT扫描中进行肋骨骨折的检测和分割。 方法：将来自一个中心的900例患者的总计7,473例带注释的外伤性肋骨骨折纳入我们的数据集，称为RibFrac数据集，并使用人工环标签程序进行注释。 我们开发了一种名为FracNet的深度学习模型，用于检测和分割肋骨骨折。 分别将720名，60名和120名患者随机分为训练组，调整组和测试组。 使用FreeResponse ROC（FROC）分析来评估检测性能的敏感性和假阳性，并使用联合路口交叉口（IoU）和骰子系数（Dice）来评估预测的肋骨骨折的分割性能。 观察者研究（包括独立的仅涉及人类的研究和人类协作研究）

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。

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

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％）。