react-cornerstone-viewport React的基础医学图像视口组件 文档和示例： : 安装 # # NPM npm install --save react-cornerstone-viewport # # Yarn yarn add react-cornerstone-viewport 用法 import React , { Component } from 'react' import CornerstoneViewport from 'react-cornerstone-viewport' class Example extends Component { render ( ) { return ( < CornerstoneViewport> ) } } 执照 麻省理工学院:copyright:

什么是MedicalVision？ 基于pytorch的深度学习工具包，用于医学图像分析。 MedicalVision的目标是在火炬上提供轻巧的包装，可以进一步减少开发用于医学图像分析任务（例如分类，配准和分割等）的新算法的时间。 动机与目标 随着深度学习在计算机视觉中的流行，已经提出了许多基于深度学习的作品/体系结构来处理传统医学图像分析任务（分类，注册和分割）。 不幸的是，据我所知，还没有一个基于pytorch的简单有效的工具包能够实现快速原型制作。 在日常工作中，我会为各种医学图像数据集编写DataLoader并重现一些论文中介绍的算法。 为了使生活更轻松，创建了MedicalVision工具包，旨在提供： 著名医学图像数据集的数据加载器 最新模型中使用的常见损失和指标 动物园模型，包括经过培训的最新模型 ... MedicalVision工具箱仍在开发中。 以下流行的深度学习

2021-域自适应-医学图像分析 综述译文

matlab代码影响K空间浏览器 在逆傅立叶变换后获得有关k空间以及各种修改对所得图像的影响的动手实践的教育工具。 K-space Explorer是用Python 3编写的，并使用开放源代码库，因此可以免费使用它，并且可以检查源代码以在内部进行窥探。 该软件具有许多有用的功能，例如： 使用Qt的现代响应式用户界面 自动傅立叶变换可立即可视化更改 加载自己的图像并分析源自k空间的伪像 软件内各种功能的简短说明 :hot_beverage: 这个应用是我在业余时间创建的。 如果您觉得有用，请考虑 :hot_beverage: 安装 您将需要具有以下软件和软件包 Python 3 （最好是最新版本）。 从下载。 Python 3所需的软件包： PyQt5-提供图形用户界面 枕头-打开常规图像，例如jpg或png NumPy-处理FFT转换和数组运算 pydicom -DICOM格式医学图像读取器 通过将下面的命令复制到命令提示符（Windows： Win+R并键入cmd并按Enter），通过pip安装 pip3 install numpy pydicom Pillow PyQt5 并将其提取 启动程序 导航到包含已解压缩软件的文件夹，然后通

ISIC 2018：黑色素瘤检测的皮肤病变分析 概括 更新：2018年7月15日，包括k倍验证以及验证/测试预测和提交。 该存储库为基于Keras / Tensorflow的ISIC-2018挑战的任务1和任务3提供了一个起始解决方案。 当前达到的性能是： 任务1 任务3 平均Jaccard的81.5％ 准确度达83％ 阈值Jaccard的77.2％ 平均召回率68.5％ 我们支持Keras支持的大多数骨干网（Inception，Densenet，VGG等）。 对于分段问题，我们还支持在U-Net类型结构中使用Keras预训练主干。 该代码是高度可配置的，允许您更改和尝试算法的许多方面。 下面，我们描述如何运行基准解决方案。 安装/设置 该代码使用：Python 3.5，Keras 2.1.6和TensorFlow 1.8.0。 请参阅需求文件以获取所需的软件包。 请

中文医疗化验单数据集（Chinese Medical Laboratory Dataset）.zip

先运行change.py增加特征维度，再运行baseline.py 其中d_train_20180102.csv 有5642行 d_train_20180102_add.csv 有6642行，加了A榜的1000行 如果要看A榜的线上成绩，则把baseline.py里边的train test 和ol改一下路径即可

Medical_Cost_Prediction:该项目预测了医疗病人的保险费用

语言:English (United States) 此扩展旨在帮助医生和患者有效地找到对个别病例有用的医疗资源。 该扩展旨在帮助医生和患者有效地找到对个别病例有用的医疗资源。 最新版本的V1.0支持搜索功能：由医生或症状检查者提供症状列表和可能的疾病列表，在PubMed上查找与症状密切相关的文章。 关联性定义为输入症状在给定文章中出现的次数。

深度学习的显著成功引发了人们对其在医学诊断中的应用的兴趣。即使最先进的深度学习模型在对不同类型的医疗数据进行分类时达到了人类水平的准确性，但这些模型在临床工作流程中很难被采用，主要是因为它们缺乏可解释性。深度学习模型的黑盒性提出了设计策略来解释这些模型的决策过程的需要，这导致了可解释人工智能(XAI)这个话题的产生。在此背景下，我们提供了XAI应用于医疗诊断的全面综述，包括可视化、文本和基于示例的解释方法。此外，这项工作回顾了现有的医学成像数据集和现有的指标，以评估解释的质量。作为对大多数现有综述的补充，我们包含了一组基于报告生成方法之间的性能比较。最后，还讨论了XAI在医学影像应用中的主要挑战。 https://www.zhuanzhi.ai/paper/f6e90091666dbcaa5b40c1ab82e9703b 引言 人工智能(AI)领域在过去十年取得的进展，支持了大多数计算机视觉应用的准确性的显著提高。医学图像分析是在对不同类型的医学数据(如胸部X光片[80]、角膜图像[147])进行分类时取得人类水平精确度的应用之一。然而，尽管有这些进展，自动化医学成像在临床实践中很少