基石核心 Cornerstone.js提供了一个完整的基于Web的医学成像平台。 该存储库包含Cornerstone.js“核心”组件，这是一个轻量级JavaScript库，用于在支持HTML5 canvas元素的现代Web浏览器中显示医学图像。 | Cornerstone Core并不是要本身就是一个完整的应用程序，而是可以用作更大，更复杂的应用程序的一部分的组件。 有关使用各种Cornerstone库构建简单的研究查看的示例，请参见 。 Cornerstone Core与用于存储图像像素的实际容器以及用于获取图像数据的传输机制无关。 实际上，Cornerstone Core本身无法读取/解析或加载图像，而只能依靠一个或多个来起作用。 这样做的目的是避免因为图像以各种格式（包括专有格式）存储而使开发人员无法在单个容器中工作和运输（例如DICOM）。 通过提供关于容器和运输的灵活性

DWV DWV（DICOM Web Viewer）是一个开放源代码的零占用空间医学图像查看器库。 它仅使用javascript和HTML5技术，这意味着它可以在提供现代浏览器的任何平台（笔记本电脑，平板电脑，手机甚至现代电视）上运行。 它可以DICOM格式（MR，CT，Echo，Mammo，NM等医学成像数据的标准）加载本地或远程数据，并提供诸如对比度，缩放，拖动，绘制可能性的标准工具。图像和成像滤镜上方的区域（例如阈值和锐化）。 尝试进行并阅读有关更多信息（例如， ， ）。 您也可以查看 。 欢迎所有编码/实施贡献和意见。 DWV未经认证可用于诊断。 根据GNU GPL-3.0许可证发行（请参阅 ）。 如果您还有其他问题，请。 对于那些想要支持dwv开发的人： 从头开始运行查看器的步骤 # get the code git clone https://github.com/

Gcam（Grad-Cam） 此仓库的新版本位于 Gcam是一个易于使用的Pytorch库，它可以使模型预测更易于理解。 它允许使用多种方法（例如，反向引导传播，Grad-Cam，Guide Grad-Cam和Grad-Cam ++）生成注意力图。 您需要添加到项目中的只是一行代码： model = gcam . inject ( model , output_dir = "attention_maps" , save_maps = True ) 产品特点 适用于分类和细分数据/模型 处理2D和3D数据 支持引导反向传播，Grad-Cam，引导Grad-Cam和Grad-Cam ++ 给定地面真理面具的注意力图评估 自动图层选择选项 安装 从安装Pytorch 通过pip安装Gcam，方法如下： pip install gcam 文献资料 Gcam已提供完整文档，您可以在以下位置查看文档： 例子 ＃1分类（2D） ＃2细分（2D） ＃3细分（3D） 图片 引导反向传播 Grad-Cam 导引式Grad-Cam Grad-Cam ++ 用法 # Import g

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

3dgan-keras 这是一个实现 ，最初是由MIT CSAIL提出。 运行python main.py进行训练，不要忘记将卷放在/data/train 。 要进行测试，只需运行python main.py --mode=test并指定所需的test_epoch 。 版本号 keras == 2.2.4 去做 数据加载器 测试脚本 添加张量板 作者 Chi Nok Enoch Kan /

存在严重病变时在CT中自动进行肺分割 该软件包提供了用于肺分割的训练有素的U-net模型。 目前，有四个模型可用： U-net（R231）：该模型在覆盖范围广泛的视觉变异性的庞大而多样的数据集上进行了训练。 该模型对单个切片进行分割，分别提取左，右肺，气袋，肿瘤和积液。 气管将不包括在肺分割中。 U-net（LTRCLobes）：该模型是在数据集的子集上训练的。 该模型对单个肺叶进行分割，但是当存在密集的病理或每个切片都不可见裂痕时，其性能有限。 U-net（LTRCLobes_R231）：这将运行R231和LTRCLobes模型并融合结果。 来自LTRCLobe的假阴性将由R231预测填充，并映射到邻居标签。 LTRCLobe的误报将被删除。 融合过程的计算量很大，视数据和结果而定，每卷可能要花费几分钟。 两种模型的应用实例。 左： U-net（R231），将区分左肺和右肺，并包括非常密集的区域，例如积液（第三排），肿瘤或严重纤维化（第四排）。 右： U-net（LTRLobes）将区分肺叶，但不包括非常密集的区域。 LTRCLobes_R231将融合LTRCLobe和R2

瓦迪亚 用于创建端到端Web应用程序的开源解决方案，以在各种临床场景中利用深度学习的力量，例如植入物检测，肺炎检测，脑部mri分割等。 公关建议： 除非项目维护人员另有要求，否则请提供测试分支的PR 适当地命名您的公关 确保您已经为此PR提出了一个问题，并且项目维护者已经批准并分配了您 在PR说明中，通常期望以下内容： 使用的数据集： 数据集大小： 数据集来源： 链接到Colab Notebook：请确保您授予具有链接的任何人查看权限 探索性数据分析[相关快照和您的推断] 使用的任何预处理方法。 [详细说明] 您的训练框架 用于训练的不同方法 测试/训练拆分 结果：请不要简单地陈述测试的准确性。 预计还会有其他性能指标，例如F1得分等 **绘制表格以显示对您使用的不同方法的性能的比较分析 结论：您认为哪种方法最好，为什么？ notebooks/目录中应包含用于训练的笔记本

Covid预后 该存储库包含用于复制以下论文的代码： 我们还提供了MoCo预培训过程中的模型，供有兴趣根据自己的数据进行微调的小组使用。 在使用此代码或预先训练的模型之前，请查阅。 安装 首先，按照安装PyTorch。 然后，导航到CovidPrognosis根目录并运行 pip install -e . 之后，您应该可以在cp_examples运行示例。 用法 对于预训练，您需要下载或数据集。 下载数据后，将路径添加到configs/data.yaml ，并且应将其用作默认路径。 cp_examples目录包含三个子目录，分别对应于本文中的培训阶段： moco_pretrain ：动量对比度（MoCo）预训练（例如，使用MIMIC，CheXpert或同时使用两者） sip_finetune ：对单图像预测任务（即，单图像不良事件预测或氧气需求预测）的sip_finetune模型进行微调 mip_finetune ：针对多图像预测任务的mip_finetune模型的微调 我们的代码建立在框架之上。 为公共X射线数据集设置了MoCo预训练和SIP微调的示例脚本-由于考

pydicom-seg 使用作为DICOM序列化/反序列化库来读取和写入医学图像分割存储文件。 有关支持的功能和用法的详细说明，请参阅。 动机 项目在一段时间内将DICOM-SEG文件转换为ITK兼容的数据格式（通常用于研究）成为可能。 但是，该项目是用C ++编写的，仅通过二进制文件itkimage2segimage和segimage2itkimage提供对转换的访问。 将DICOM-SEG文件转换为ITK NRRD文件格式后，用户必须在输出目录中扫描生成的文件，分别加载它们，并可能将多个文件组合为所需的格式。 该库旨在通过提供对numpy和SimpleITK支持的Python读写功能，来SimpleITK 。 另外，开箱即用地支持诸如加载多类细分之类的常见用例。 安装 从PyPI安装 pip install pydicom-seg 从源安装 该软件包使用 （版本> = 1.0.5）