毕业设计的源码 Graduation-Project This is my graduation project including the source code and paper,which is named Differential recognition of lesions in thoracic X-ray images based on deep learning。 医学X光图像是一种根据不同组织对X射线的不同吸收程度来反映人体内部结构的成像方式，可以显示多种复杂的病理特征，是目前最常用的放射学检查手段之一。本文研究的胸部X光图像主要用于检测多种常见胸肺部疾病，但与传统的图像分类相比，X光图像在灰度值上的对比度很小，小的病理区域很难被发现，而成像过程中所引起的伪影和畸变很容易淹没临床特征，这给胸部X光图像的疾病检测带来了许多困难。 在胸部X光图像分类上，目前仅使用某种单独的学习策略通常不足以训练参数量大、层数多的复杂深度网络，限制了网络训练速度以及分类效果的提升。因此，本文利用深度学习技术，提出了一种基于双通道分离网络（Dual Channel Split Networ

X射线相位衬度成像具有极高的灵敏度,能探测到轻元素样品的内部结构,在医学、生物学和材料科学等众多领域显示出良好的应用前景。光栅成像模式可使用非相干光源进行X射线相位衬度成像,开创了非相干光源相衬成像新纪元。将螺旋CT的概念引入光栅相衬成像领域,将螺旋CT的高效率优势与光栅相位成像的高衬度优势相结合,发展X射线螺旋相位CT方法。通过分析螺旋轨迹非相干光源相位成像的特点,提出一种扇形束螺旋条件下的相位信息提取方法;而后借鉴希尔伯特滤波反投影重建算法的思想,得到扇形束螺旋相位CT重建算法。该算法利用折射角像直接重建物体的相位项。计算机仿真实验证明了该算法的有效性。

煤自燃与其微晶结构有关,利用X射线衍射分析法,研究了褐煤、气煤、气肥煤和无烟煤4个原煤样和不同低温氧化温度下褐煤和气肥煤的微晶结构变化规律。研究结果表明,煤的微晶结构特征与其低温氧化之间有其内在的本质联系,煤矿物含量和微晶结构的差别,造成了它们低温氧化能力和自燃倾向性的差别;微晶结构随变质程度的加深造成自燃倾向性和低温氧化能力逐渐降低;层间距随氧化温度的增加而逐渐减小,芳香层片的平均直径随氧化温度的增加而逐渐增加,芳香层片的堆砌高度随氧化的加深而逐渐增大。

基于NIH ChestX-ray14的肺部疾病诊断 该项目是一种高性能的胸部X射线图像多标签分类算法，有可能帮助放射科医生更好地诊断肺部疾病。 该算法的基准是 ，我从本文中学到了很多东西，可以帮助我很好地训练DenseNet121。 所有在NIH ChestX-ray14数据集上训练的模型，您都可以在下载数据 快速开始 下载ChestX-ray14数据集，将所有14 xxx.tar.gz文件解压缩到单个tar -xvzf *ZIPFILENAME*在终端中运行tar -xvzf *ZIPFILENAME* ，ZIPFILENAME是您要解压缩的.tar.gz文件。 修改shell / write_all.sh中的映像路径，该映像路径由--dataset_dir标记匹配。 将您的工作目录更改为ChestRayXNet。 运行shell / write_all.sh将所有112,120幅

ct值的计算代码matlab 朴素的 X 射线模拟器 模拟由 X 射线点源和矩形 X 射线探测器创建的一个或多个对象（STL 文件）的 X 射线图像。 生成的模拟在 3D 图中可视化，并将生成的 X 射线图像写入位图文件。 这个项目最初是作为工作申请的技术评估写了大约一个星期。 X 射线衰减根据指数衰减（比尔-兰伯特定律）建模，即： 其中 I 0和 I 分别是初始和衰减的 X 射线强度，x 是穿过材料的路径长度，A 是材料的衰减系数。 结果图像中的值对应于 1-(I/I 0 )，范围为 0-1，包括端点。 入门和使用 克隆 repo 并将 repo 的根文件夹添加到路径中。 所有必需的函数/库都包含在内，并在模拟运行时自动添加到路径中。 基本语法： image = xraySimulator('inputStlFilename.stl', attenuation, 'outputImageFilename.bmp'); 其中衰减是 X 射线衰减（上式中的 A，单位：cm^-1）。 模拟参数（对象到源和对象到探测器的距离、探测器尺寸和分辨率等）设置为 getDefaultParamete

X射线图像中COVID-19的检测

Covid-19_Detection_Using_Chest_X-Ray_Images 项目链接-https: 通过胸部X射线图像诊断COVID疾病的深度学习项目。 这是Flask Web GUI的一些屏幕截图。 在该项目中，DenseNet121体系结构用于图像分类，并实现了99％的准确度。 这是模型分类报告和混淆矩阵

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

图像的均方误差的matlab代码脊柱X射线图像上的曲率识别 执照 作者：Yann Bachelot，Maxime Carlier，Dimitri Mikec，Luka Matsuda，Jiri Ruzicka。 由Noelie Debs和Carole Frindel监督。 该代码是开源的，这意味着任何人都可以从Github存储库中查看和下载我们的代码。 此处执行的代码是INSA Lyon工学院（生物信息学和建模专业）图像分析课程最终项目的一部分。 项目目标 该项目的目的是通过提供可自动识别色谱柱的计算机例程，通过分析X射线轮廓图像来帮助进行外科手术计划。 执行 我们的代码遵循以下步骤：对比图像，过滤，检测脊柱的起点和终点，检测关键点，选择感兴趣的点，拟合曲线，计算一些统计量。 输入：以个人资料（JPEG格式，EOS采集系统）的形式对30位患者的30幅X射线图像进行数据集。 X射线看起来像传统的X射线照相：其对比度取决于所遍历结构的衰减系数。 输出：在每幅图像上还绘制了30张相同的图像，包括关键点和适合脊椎的相关曲线。 3个包含所有图像的文件夹，对应3种不同的检测方法：霍夫变换，哈里斯检

LaueTools是一个用于白束Laue X射线微衍射数据分析的开源项目，包括图像处理，峰搜索和索引，晶体结构求解（方向和应变）以及数据和晶粒映射可视化的工具。 Python 3代码和新功能现在位于：https://gitlab.esrf.fr/micha/lauetools