在磁共振（MR）图像中对前列腺的自动分割已越来越多地应用于前列腺疾病的诊断和各种临床应用。 然而，由于前列腺边界周围的解剖结构不均匀且变化，因此前列腺MR图像的分割面临着巨大的挑战。 由于深度学习在计算机视觉中显示出优异的性能，因此我们提出了一种使用深度神经网络的粗细细分策略，以分别解决直肠内线圈前列腺图像和非直肠内线圈前列腺图像的分割问题。 首先，我们将基于配准的粗略分割呈现给预处理的前列腺MR图像，以获得潜在的边界区域。 其次，我们训练深度神经网络作为基于像素的分类器，以预测潜在边界区域中的像素是否为前列腺像素。 为了提高算法的可分辨性，我们进一步引入了集成学习以进行精细分割。 最后，使用边界细化来消除离群值并使边界平滑。 所提出的方法已经在PROMIS12挑战数据集和PROSTATEx17挑战数据集上得到了广泛的评估。 实验结果表明，该算法具有较好的分割性能（骰子比为0.910±0.036，平均边界距离为1.583±0.441，Hausdorff距离为4.579±1.791），证明了该算法的有效性。

基于单片机的磁共振充电系统，包括电路图、单片机程序、论文、充电原理等，资料非常完善。

YY-T0482-2010医用成像磁共振设备主要图像质量参数的测定

为了改善动态MR图像重建质量，提出了一种结合张量奇异值分解和全变分稀疏模型（TV）的动态核磁共振图像重建算法。算法对动态MR图像进行了低秩约束规范和稀疏约束规范，分别使用了张量奇异值分解阈值方法和全变分稀疏变化基方法求解。实验结果和重建视觉效果表明，在相同采样率下，该算法与单独使用全变分方法、k-t SLR方法、单独使用张量奇异值分解方法相比重建质量更优，在峰值信噪比（PSNR）、均方差（MSE）和结构相似性度量（SSIM）的评价指标上有所提高，对图像去噪去模糊重建有具体的应用价值。

matlab开发-磁共振成像。Este Proyecto Realiza la Modulacion PWM de Se_ales Como Voz，Coseno，Seno.

这是一个关于磁共振机器和脑影像中机器学习应用的基础只是的讲义，

使用3D卷积神经网络和磁共振成像的早期识别阿尔茨海默氏病

医学数据分析

心脏核磁共振(MRI)图像分割

Nuts2013核磁共振处理软件全功能版(nmr软件)