- 综合排序
- 最热优先
- 最新优先
- 来自专栏感知·论文
【感知·医学分割】当 YOLOv11 杀入医学赛道：先检测后分割的级联架构
【感知·医学分割】当YOLOv11杀入医学赛道：先检测后分割的级联架构标签：前沿感知算法YOLOv11医学图像/架构设计首发：探物AI在医学图像算法的落地中，我们常常陷入一个思维定势：既然是分割任务，那就直接上 医学影像有一个典型特征：病灶极小，背景极大。如果你直接把一整张复杂的医学图像丢给分割网络，模型会不可避免地把大量注意力浪费在无关的背景组织上。 虽然YOLOv11是为目标检测而生，但它的全局感知能力和鲁棒性在医学影像中同样适用。第一步：快速拉框（BoundingBox定位）我们将整张医学图像输入YOLOv11。 YOLOv11能迅速在复杂的全景图中，用一个BoundingBox锁定“嫌疑病灶”的大致区域（ROI）。03收网：精细裁剪与局部精雕有了YOLOv11划定的ROI区域，接下来的事情就变得极其优雅了。 因为此时所有的背景噪音都已经被YOLOv11物理隔绝在外，分割网络只需要专注处理这块巴掌大的地方。“假阳性”被直接从物理层面扼杀了。
36710编辑于 2026-04-27 - 来自专栏最新医学影像技术
医学图像处理教程（三）——医学图像增强算法
今天将给大家分享医学图像常见图像增强算法。
3.6K50发布于 2020-06-29 - 来自专栏CV学习史
医学图像了解
医学图像 医学图像是反映解剖区域内部结构或内部功能的图像，它是由一组图像元素——像素（2D）或立体像素（3D）组成的。医学图像是由采样或重建产生的离散性图像表征，它能将数值映射到不同的空间位置上。 ，分别为DICOM（医学数字成像和通讯）、NIFTI（神经影像信息技术）、PAR/REC（Philips磁共振扫描格式）、ANALYZE（Mayo医学成像）、NRRD（近原始栅格数据）和MNIC 现代神经影像学技术 它定义了质量能满足临床需要的可用于数据交换的医学图像格式 PET是正电子发射断层显像（Positron Emission Tomography）的缩写，是一种先进的核医学影像技术；CT是计算机断层摄影术 Dicom 它定义了质量能满足临床需要的可用于数据交换的医学图像格式，可用于处理、存储、打印和传输医学影像信息。 PET PET的独特作用是以代谢显像和定量分析为基础，应用组成人体主要元素的短命核素如11C、13N、15O、18F等正电子核素为示踪剂，不仅可快速获得多层面断层影象、三维定量结果以及三维全身扫描，而且还可以从分子水平动态观察到代谢物或药物在人体内的生理生化变化
3K31发布于 2019-09-10 - 来自专栏机器学习、深度学习
医学图像分割
Topology Aware Fully Convolutional Networks For Histology Gland Segmentation
1.2K20发布于 2019-05-26 - 来自专栏计算机视觉life
医学图像处理
[10,11]。 图11 医学图像融合阶段的总结。 两阶段过程包括图像配准，然后是图像融合。 Annual Review of Biomedical Engineering, 2000, 2(2):315-337. [11]Lehmann T M , Gonner C , Spitzer K . IEEE Transactions on Medical Imaging, 1999, 18(11):1049-1075. [12]Cootes T F , Taylor C J . 北京生物医学工程, 2002; 21 (1) ：11~14 [17]杨虎, 马斌荣, 任海萍. 基于互信息的人脑图象配准研究[J] .
4.7K42发布于 2019-07-10 - 来自专栏最新医学影像技术
医学图像处理教程（四）——医学图像去噪算法
今天将给大家分享医学图像常见三种图像去噪算法。
5.6K21发布于 2020-06-29 - 来自专栏最新医学影像技术
医学图像处理案例（十三）——快速行进算法分割医学图像
今天将分享使用快速行进算法（FastMarching）对医学图像分割案例。
4.7K63发布于 2020-06-29 - 来自专栏最新医学影像技术
医学图像处理教程（五）——医学图像边缘检测算法
今天将给大家分享医学图像常见两种图像边缘检测算法。
3.8K30发布于 2020-06-29 - 来自专栏最新医学影像技术
医学图像处理案例（二十）——医学图像处理案例代码详解
在前面分享的医学图像处理案例中，给出了很多具体案例，但有些读者还是渴望可以深入分享案例代码详解。那么今天我将从骨骼分割，气管分割，肺组织分割，血管分割这四个具体案例来详细讲解如何来实现。
5.2K54发布于 2020-06-29 - 来自专栏CVer
医学顶刊TMI 2026！SAViT：高效的医学图像分析框架
聚焦医学影像小样本难题 提出 SAViT 通用分析框架 近年来，Vision Transformer（ViT）凭借强大的全局建模能力，在医学影像智能建模中展现出很好的潜力。 因此，如何让ViT既能捕捉医学图像中的细粒度局部病灶特征，又能保持全局解剖结构理解，同时降低迁移学习成本，是当前医学影像智能分析中的关键问题。 具体而言，SAViT从医学图像自身特点出发，将“解剖结构具有空间一致性、局部区域之间存在可共享先验”这一医学规律引入ViT建模过程，增加了基于解剖辅助提示的共享先验注意力模块（Shared Prior ，首期于1982年7月出版，长期关注医学成像、图像重建、计算机辅助诊断、医学图像分割与识别、人工智能医学影像分析等方向的高水平研究成果。 该期刊由IEEE出版，是医学图像处理与医学人工智能领域具有广泛影响力的代表性期刊之一。
40210编辑于 2026-06-24 - 来自专栏HyperAI超神经
医学AI又一突破，微软开源生物医学NLP基准：BLURB
Natural Language Processing 生物医学特定领域的语言模型预训练》，介绍并开源了一个能够用于生物医学领域 NLP 基准，并命名为 BLURB。 医学 NLP 基准，BLURB 身负重任 BLURB 包括 13 个公开可用的数据集，涉及 6 个不同的任务。 生物医学 NLP ：必须使用域内文本 研究已经表明生物医学 NLP 可以在医学领域提高数据集的准确性。但是在跨学科的数据集中，准确性又会大大降低。 而由于不同医学领域之间（Domain）跨度较大，所以对于 NLP 的预训练会花费非常多的时间。 同时，为了鼓励对生物医学 NLP 的研究，研究人员创建了以 BLURB 基准为基准的排行榜，还开源了预训练模型。以求快速生物医学 NLP 能够早日投入使用。
1.1K10发布于 2020-08-13 - 来自专栏AI算法与图像处理
医学图像分割：UNet++
分割的准确性对于医学图像至关重要，因为边缘分割错误会导致不可靠的结果，从而被拒绝用于临床中。 为医学成像设计的算法必须在数据样本较少的情况下实现高性能和准确性。
1.9K21发布于 2020-11-23 - 来自专栏基于深度学习的图像增强
医学图像跨域合成
背景 这篇文章主要介绍一些基于深度学习的医学图像合成的论文，医学图像跨域合成一般是指从一种模态转化为另一种模态，包括CT到PET，MR到CT，CT到MR及MRI中T1,T2,FLAIR等之间的转化。 医学图像合成是解决这一问题的有效方法，可以将缺失的模态从已有的模态中合成出来。
1.8K20发布于 2020-09-07 公开的医学评测集
huggingface.co/datasets/SII-SPIRAL-MED/DiagnosisArena是（RightOption）1,113对（论文版）/915对（HF公开版）诊断推理专项；28个专科，源自10本顶级医学期刊的病例报告 github.com/medmcqa/medmcqa是~194,000道选择题印度AIIMS/NEET-PG入学考试；21个科目，约2,400个医疗主题MedQA(US)https://github.com/jind11 PubMedQAhttps://github.com/pubmedqa/pubmedqa部分含答案（PQA-L/A是；PQA-U否）PQA-L:1,000PQA-U:61,200PQA-A:211,300生物医学文献问答 healthbench_professional_eval.jsonl代码：https://github.com/openai/simple-evals是（医师编写的评分标准及参考回复）525个任务（其中514个可用于评分，11 个为直接拒答）；从15,079个真实临床对话中精选，难度富集约3.5倍临床医生工作流；190名医生（50+国，26个专科）构建；三大用例：护理咨询(236)、文书撰写(142)、医学研究(147)；含约
7500编辑于 2026-11-11- 来自专栏最新医学影像技术
医学图像处理教程（一）——医学算法数据的基本概念
从今天起我将开始分享医学图像处理基础算法课程，从最基本的函数开始，分享函数的原理，函数API参数讲解，每篇都会给出一个示例。 1、如何安装Python版本的SimpleITK包 为了快速上手算法开发，采用Python版本的SimpleITK开发包来完成医学图像处理算法开发。
3.1K51发布于 2020-06-29 - 来自专栏最新医学影像技术
医学图像处理案例（十五）——基于小波变换的医学图像融合
今天将介绍使用小波变换来对多模态医学图像进行融合。 2、基于小波变换的多模态医学图像融合代码实现 我将分享python版本代码来融合多模态MR图像，融合策略是低频图像采用平均值法，高频图像采用最大值法。 wavelet = 'db2' """ haar family: haar db family: db1, db2, db3, db4, db5, db6, db7, db8, db9, db10, db11 db34, db35, db36, db37, db38 sym family: sym2, sym3, sym4, sym5, sym6, sym7, sym8, sym9, sym10, sym11 sym19, sym20 coif family: coif1, coif2, coif3, coif4, coif5, coif6, coif7, coif8, coif9, coif10, coif11
3.2K20发布于 2020-06-29 - 来自专栏用户12490569的专栏
医学类-基于 YOLOv11-seg 中医舌象分割检测系统 舌苔健康状态分割数据集，
舌苔健康状态分割数据集，医学类-基于YOLOv11-seg中医舌象分割检测系统舌苔健康状态分割数据集，2361张，yolo，voc，coco三种标注方式图像尺寸:640*640类别数量:6类训练集图像数量 白舌厚腻2、训练脚本train_tongue.py展开代码语言：PythonAI代码解释fromultralyticsimportYOLOif__name__=='__main__':#加载YOLOv11 分割预训练权重model=YOLO("yolo11n-seg.pt")results=model.train(data="tongue.yaml",epochs=100,imgsz=640,batch= 8,device=0,workers=2,project="tongue_seg_result",name="yolo11_tongue",amp=True,mosaic=0.8,conf=0.25)3 __init__()self.setWindowTitle("YOLOv11-seg舌苔健康状况分割系统")self.resize(1550,900)self.model=YOLO(".
15910编辑于 2026-09-15 - 来自专栏深度学习和计算机视觉
医学图像分割：UNet++
分割的准确性对于医学图像至关重要，因为边缘分割错误会导致不可靠的结果，从而被拒绝用于临床中。 为医学成像设计的算法必须在数据样本较少的情况下实现高性能和准确性。
1.9K30编辑于 2022-04-06 - 来自专栏3D视觉从入门到精通
汇总|医学图像数据集
of Medicine presents MedPix 数据下载链接：https://medpix.nlm.nih.gov/home 数据介绍：MedPix®是一个免费的开放式在线访问数据库，其中包含医学图像 我们的主要目标受众包括医师和护士，专职医疗人员，医学生，护理生以及其他对医学知识感兴趣的人。内容材料按疾病位置（器官系统）组织；病理类别患者资料；以及通过图像分类和图像标题。
5.9K30发布于 2020-12-11 - 来自专栏about云
浅谈医学大数据（上）
医疗大数据的利用可以从以下几方面减少浪费和提高效率 (Manyika, 以及其他人, 2011)： 临床操作：相对更有效的医学研究，发展出临床相关性更强和成本效益更高的方法用来诊断和治疗病人。 此外，医疗大数据的分析还有利于以下几方面的发展 (W.Raghupathi & Raghupathi, 2014)： 循证医学：结合和分析各种结构化和非结构化数据，电子病历，财务和运营数据，临床资料和基因组数据用以寻找与病症信息相匹配的治疗
1.1K70发布于 2018-03-27
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号