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/

Prior to the development of medical imaging, doctors diagnosed and treated patients without being to see their “insides”, except through exploratory surgery

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 /

社会对人工智能(AI)的信任以及可信任的人工智能系统和生态系统的发展，对于人工智能技术在医学领域的进步和实施至关重要。随着人工智能在各种医疗和成像应用领域的应用日益广泛，使这些系统更加可靠和值得信赖变得比以往任何时候都重要。本文考虑了14个核心原则，旨在将针更接近于准确、有弹性、公平、可解释、安全和透明的系统:面向可信的AI。

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

医学图像的计算机分析研究为改善病人的健康带来了许多希望。然而，一些系统性的挑战正在减缓该领域的进展，从数据的局限性(如偏差)到研究激励(如优化出版)。在这篇文章中，我们回顾了开发和评估方法的障碍。根据来自文献和数据挑战的证据，我们的分析表明，在每一步中，潜在的偏见都可能渗入。我们还积极地讨论了目前为解决这些问题所作的努力。最后，对今后如何进一步解决这些问题提出了建议。

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