注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 视觉机器学习仿真代码分享

  2. 将视觉机器学习算法的理论和实践有机地结合，解决视觉机器学习领域中的诸多基础问题，可应用于医学图像分析、工业自动化、机器人、无人车、人脸检测与识别、车辆信息识别、行为检测与识别、智能视频监控等。

  3. 所属分类：机器学习

    • 发布日期：2017-12-26
    • 文件大小：94mb
    • 提供者：u012580571

  1. 计算机深度学习与智能图像诊断对胃高分化腺癌病理诊断的价值

  2. 随着计算机技术的发展, 机器学习被深入研 究并应用到各个领域, 机器学习在医学中的 应用将转换现在的医学模式, 利用机器学习 处理医学中庞大数据可提高医生诊断准确 率, 指导治疗, 评估预后. 机器学习中的深度 学习已广泛应用在病理智能图像诊断方面, 目前在有丝分裂检测, 细胞核的分割和检测, 组织分类中已取得较好成效. 在病理组织学 上, 胃高分化腺癌因其组织结构和细胞形态 异型性小, 取材标本表浅等原因容易漏诊. 现有的早期胃癌的病理智能图像诊断系统 中没有关于腺腔圆度的研究, 圆度测量可

  3. 所属分类：深度学习

    • 发布日期：2018-08-16
    • 文件大小：1mb
    • 提供者：hanangellove

  1. MATLAB dcm图像转raw图像代码

  2. 在matlab运行该代码的第一部分，只需要将代码中的filename变量改为你存放dcm文件的目录路径就行，就可以转化单个病人的dcm图像为raw文件。代码的第二部分，则需要将代码中的total_files变量改为你存放所有病人图片的目录路径，就可以一次性把所有病人的dcm图像都转为raw。

  3. 所属分类：机器学习

    • 发布日期：2018-10-26
    • 文件大小：2kb
    • 提供者：cjx_new

  1. 医学图像中的机器学习

  2. 2010年 IEEE 收录发表在《信号处理杂志》

  3. 所属分类：专业指导

    • 发布日期：2010-11-09
    • 文件大小：2mb
    • 提供者：sss222sss

  1. aws-reskill-ai-services-源码

  2. AWS ReSkill-Vivek Raja PS提供的AWS AI服务 亚马逊了解： Amazon Comprehend是一种自然语言处理（NLP）服务，它使用机器学习来查找文本中的见解和关系。 亚马逊理解医疗： Amazon Comprehend Medical是符合HIPAA要求的自然语言处理（NLP）服务，使用机器学习从医学文本中提取健康数据 亚马逊波利 Polly的语音合成（TTS）服务使用先进的深度学习技术来合成自然的人类语音。 亚马逊认可 Amazon Rekognition使

  3. 所属分类：其它

  1. MedMNIST:[ISBI'21] MedMNIST分类十项全能-源码

  2. 医学MNIST | | ，时瑞，， 我们提出了MedMNIST ，它是10个经过预处理的医学开放数据集的集合。 MedMNIST已标准化，可以在不需要背景知识的情况下对28×28的轻量图像执行分类任务。 涵盖医学图像分析中的主要数据模式，它在数据规模（从100到100,000）和任务（二进制/多类，有序回归和多标签）方面是多种多样的。 MedMNIST可用于医学图像分析中的教育目的，快速原型制作，多模式机器学习或AutoML。 此外，MedMNIST分类十项全能旨在对所有10个数据集的AutoM

  3. 所属分类：其它

    • 发布日期：2021-03-18
    • 文件大小：559kb
    • 提供者：weixin_42138716

  1. Master_Thesis2020-源码

  2. 生物信息学硕士论文 该项目在隆德大学的生物医学中心（BMC）的Sonja Aits的监督下进行。 该项目的目的是分析转染的U2OS骨癌细胞的显微图像。 该分析涉及细胞的细胞成分（如细胞核，溶酶体和线粒体）的分割。 这不仅在检测肿瘤细胞的形态变化中起着重要作用，而且在计数这些物体中也起着重要的作用。 该项目涉及两个主要任务：通过CellProfiler软件（v4.0.7）进行对象分割，以及在破碎的溶酶体和正常细胞图像上训练二进制分类器的机器学习任务。 对于第一个任务，建立了不同的管道来尝试识别对

  3. 所属分类：其它

    • 发布日期：2021-03-17
    • 文件大小：30mb
    • 提供者：weixin_42127748

  1. Self-Supervised-Learning-in-Medical-Imaging-源码

  2. 医学影像中的自我监督学习 与医学影像有关的自我监督论文的不完整清单，重点是分析。 2021年 。 TMI。 。 TMI。 。 TMI。 。 TMI。 。 医学图像分析。 。 医学图像分析。 。 （接受）AAAI2021。[] 。 arXiv。 。 arXiv。 2020年 表征学习 。 MICCAI 2020。 。 医学图像分析。 。 TMI。 :star: 。 NeurIPS2020。[] 2020年医疗保健机器学习大会。 。 ISBI 2020。 。 ISBI

  3. 所属分类：其它

  1. 半监督流形学习与亲和力正则化使用正电子发射断层显像技术鉴定阿尔茨海默氏病

  2. 痴呆，尤其是阿尔茨海默氏病（AD）是一个全球性问题，对人口老龄化构成了巨大威胁。 需要一种基于图像的计算机辅助痴呆诊断方法，以在医学图像检查期间为医生提供帮助。 已经提出了许多使用医学成像的基于机器学习的痴呆分类方法，并且大多数方法都能获得准确的结果。 但是，这些方法大多数都使用需要完全标记图像数据集的监督学习，这在实际临床环境中通常不可行。 使用大量未标记图像可以提高痴呆症的分类性能。 在这项研究中，我们提出了一种基于随机流形学习与亲和力正则化的新型半监督痴呆分类方法。 从正电子发射断层扫描（

  3. 所属分类：其它

  1. Medical-report-generation-源码

  2. 胸部X射线可产生心脏，肺，气道，血管以及脊柱和胸部骨骼的图像。 通常，放射科医生有责任对这些X射线进行总结，以便对患者进行适当的治疗。 从这些X射线中获取详细的医学报告通常很耗时且乏味。 在人口众多的国家，放射科医生可能会遇到100幅X射线图像。 因此，如果正确学习的机器学习模型可以自动生成这些医疗报告，则可以节省大量的工作和时间。 在本案例研究中，我们使用的是印第安纳大学医院网络提供的数据。 这里提供了一组胸部X光片和相应的医学报告。 给定X射线图像，我们需要生成该X射线的医学报告。

  3. 所属分类：其它

  1. API实践-源码

  2. 实践心得 1.在本学期的【API，机器学习与人工智能】课程中，我对计算机视觉丶推荐系统丶语音识别丶自然语言处理等人工智能应用有了基本的了解和实践。 对于计算机视觉：计算机视觉就是指用摄影机和计算机代替人眼对目标进行识别，跟踪和测量等机器视觉，并进一步做图形处理，使计算机处理成为更适合人眼观察或传送给一起检测的图像；而计算机视觉一般应用在无人驾驶，无人安防，人脸识别，车辆车牌识别，以图搜图，VR / AR，3D重构，医学图像分析，无人机等这些方面。 对于推荐系统：推荐系统是信息过滤系统的一个子类，

  3. 所属分类：其它

  1. Kaggle-Facial-Keypoints-Detection：使用卷积神经网络检测面部标志的位置，例如眼睛，鼻子，嘴唇-源码

  2. Kaggle面部关键点检测 面部关键点标签是计算机视觉中一个重要且具有挑战性的问题。 在推论时，我们想将人脸图像的像素表示作为输入，并输出各种界标的位置，包括眼睛和嘴唇周围和周围的位置以及鼻尖。 准确标记这些位置的能力使众多下游应用成为可能。 其中包括面部识别，面部表情分析，检测畸形的面部征兆以进行医学诊断，生物识别和视频中的面部跟踪。 例如，可以通过测量嘴唇的形状来进行面部表情分析，其中弯曲可能代表微笑，弯曲可能代表皱眉。 该分析对于对零售商店的交易的真实客户满意度或驾驶员的汽车心情进行分类

  3. 所属分类：其它

    • 发布日期：2021-02-19
    • 文件大小：340mb
    • 提供者：weixin_42097557

  1. 最终项目组2：机器学习II最终项目-源码

  2. 人类蛋白质图谱图像分类 介绍 蛋白质是由数千种氨基酸组成的复杂分子，负责人体中的许多重要功能，例如问题和器官的执行和调节。 鉴定蛋白质的模式和细胞器定位将提供有关人类活细胞的更多见解，并加速疾病的诊断。 此外，了解细胞结构的复杂性在开发药物和治疗中起着关键作用。 因此，蛋白质的分类已成为许多科学家和生物医学研究人员关注的领域。 目标 主要目的是根据不同人类细胞类型的显微镜图像对蛋白质的混合模式进行分类。 由于人类细胞的复杂性和高度多样的形态，因此很难确定细胞器中蛋白质模式的结构和数量。 另一个挑

  3. 所属分类：其它

  1. Nahid-Nasiri-main.zip-源码

  2. 欢迎来到我的网站 关于我 我是加州大学圣克鲁斯分校计算机工程专业的一年级研究生。 我的研究领域依赖于医学成像仪器PET扫描仪，可产生大量原始数据，必须将其转换为图像以供临床医生解释。 可以使用现代计算技术和机器学习来增强和改进称为图像重建的过程。 我的目标是利用深度学习中的最新技术来提高系统的灵敏度和图像质量。 刊物 一种深度学习方法，可正确识别交叉带CZT检测器中的重合顺序 检测器内散射（IRS）和检测器间散射（IDS）是由于一个检测器模块内部以及从一个检测器模块到另一个检测器模块的an灭光

  3. 所属分类：其它

  1. 心脏MRI-s-Segmentation：使用Azure机器学习服务来了解神经网络如何解决医学成像问题。 使用转置卷积神经网络。 使用Keras和TensorFlow 2分析图像数据并获得分割模型（UNET）-源码

  2. 语言 产品 描述 Python Azure机器学习服务 Tensorflow 2.0 心脏MRI的图像分割TensorFlow模型 带有Azure机器学习服务和TensorFlow的图像分割心脏MRI 有多种重要的图像分析深度学习应用程序，它们不仅需要检测图像中的单个对象，还需要将图像分割成感兴趣的空间区域。 例如，在医学图像分析中，分离与不同类型的组织，血液或异常细胞相对应的像素通常很重要，这样我们就可以隔离特定器官。 在这个自定进度的动手实验中，我们将使用机器学习框架来使用医学图像数据

  3. 所属分类：其它

  1. 医学成像机器学习-U-Net：TUM_MLMI_SS16：卷积神经网络使用U-Net架构从另一种方式预测大脑MRI扫描的一种方式-源码

  2. 医学影像中的机器学习--U-Net 是用于生物图像分割的卷积神经网络（CNN）。 为了保留更精细的特征图，使用了跳过连接来补充更深层中的数据。 在这项工作中，将相同的体系结构用于MRI脑部扫描，以预测一种给予另一种的方式。 这是通过将以两种不同方式扫描的原始MRI体数据切成可在网络上进行训练的2D图像来完成的。 该网络是使用 （用于CNN的MATLAB工具箱）实现的。

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：89mb
    • 提供者：weixin_42116672

  1. InnerEye-DeepLearning：医学影像深度学习库，用于在Azure机器学习和Azure Stack上训练和部署模型-源码

  2. 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，

  3. 所属分类：其它

    • 发布日期：2021-02-02
    • 文件大小：815kb
    • 提供者：weixin_42107491

  1. CNN-3D-images-Tensorflow：使用CNN（卷积神经网络）进行3D图像分类-源码

  2. 使用Tensorflow的CNN 3D图像 目标：使用CNN（卷积神经网络）进行MRI分类任务 代码依赖关系：Tensorflow 1.0，Anaconda 4.3.8，Python 2.7 从3D医学图像学习模型的困难 数据大小太大。 例如218x182x218或256x256x40 数据数量有限。 换句话说，训练规模太小。 所有图像看起来都非常相似，并且主体之间只有细微的差别。 可能的解决方案 配备好的机器，尤其是RAM 在预处理中对图像进行下采样 数据扩充，例如旋转，移位，组合

  3. 所属分类：其它

  1. 基于机器学习的医学图像分割、配准、融合及去噪

  2. 很多机器学习算法已经被应用于医学图像处理。为了进一步处理医学图像，使得医学图像的分割质量好、配准效果好、融合效果佳、含噪量低，本文结合机器学习原理，改进传统医学处理方式，针对常见的四种医学图像，分别从图像分割、融合、配准和去噪等四个方面进行阐述。结果表明机器学习在医学图像中的应用，大幅改进了图像处理的效果、提高了图像的精度，为医生分析病情和手术操作提供更高的可靠性。

  3. 所属分类：其它

  1. 一种基于自生成仿真图像的稳定特征点提取新方法

  2. 近来，图像处理在摄影测量学，医学图像处理等领域中引起了很多关注。匹配在不同时间，通过不同相机或从不同角度拍摄的同一场景的两个或多个图像是流行且重要的。问题。 特征提取在图像匹配中起着重要的作用。 传统的SIFT检测器通过消除低对比度和边缘响应点来消除不稳定点。 缺点是需要手动设置阈值。 本文的主要思想是通过机器学习算法获得稳定的极值。 首先，我们使用ASIFT方法结合光线变化和模糊来生成多视图模拟图像，这些图像组成了原始图像的模拟图像集。 根据生成模拟图像集的方式，每个生成图像的仿射变换也是已知

  3. 所属分类：其它

    • 发布日期：2021-03-24
    • 文件大小：274kb
    • 提供者：weixin_38681082