- 综合排序
- 最热优先
- 最新优先
- 来自专栏深度学习|机器学习|歌声合成|语音合成
R-4- 医学预测分析
文章目录 分类 切入点 医学研究思路 研究适合的研究数据 模型选择 选择适合的预测分子 分类 分类模型 预后模型 切入点 寻找预后或诊断因子的研究 Predictors of xx | xx 无外部验证的预测模型建立研究 随机拆分验证 交叉验证 重抽样 内部-外部验证 有外部验证的预测模型建立研究 时段验证：时间分割 空间验证： 时空验证 领域验证 预测模型的验证模型 预测模型的影响研究 医学研究思路
64610发布于 2021-01-14 - 来自专栏资讯分享
GPT-4在医学中的超强潜力
因此，基于这个原因以及其他因素，任何对GPT-4的医学应用都必须采取确认系统输出的措施。GPT-4势必成为医疗保健领域的重要工具。 换言之，GPT-4在何种程度上适用于或不适用于具体类型的临床场景？这个问题不仅涉及医疗保健领域，而且涉及医学的各个方面，甚至包括医学研究论文的审查。 GPT-4的“通用翻译”功能可能对更广泛地传播医学知识和医学教育非常有用，这对医学生、护士和普通民众都具有很大的参考价值。 GPT-4:请用自己的话阐述什么是点击化学，以及它如何发挥作用，并用一个实例来说明你的解答。在先进的医学研究领域，科学家们正致力于深入探索医学、生物学和化学方面的尖端知识。 因此，尽管GPT-4在医学和医疗保健领域的作用可能受到限制，但我们认为后续的AI系统将逐渐接近并超越人类在医学方面的能力。
66140编辑于 2023-07-31 - 来自专栏决策智能与机器学习
算法集锦（4）|医学图像的细分算法|U-Net应用
今天，我们介绍医学图像的细分算法，详见文献“U-Net：Convolutional Networks for Biomedical Image Segmentation”。 神经网络结构 ?
64620发布于 2020-08-04 - 来自专栏全栈程序员必看
医学图形图像处理(医学影像和医学图像处理)
文章目录 1 图像和数字图像 2 图像分类 2.1 简单分类 2.2 传感器分类 2.3 维度分类 3 图像处理流程 4 医学图像 1 图像和数字图像 数字图像： 被定义为一个二维函数，f(x,y)， 图像数据： 生活中是二维的，医学上通常还有3维和4维的。比如在关注心脏跳动的时候，不仅关注其三维结构，还要关注时间轴变化。 三维图像：一个像素描述成一个体素。 医学图像中常用的是dicom 2 图像分类 2.1 简单分类 （1）二值图像：包含两个值，通常为0、255 （2）灰度图像： 0-255灰阶，更能表现自然界图像形态。 4 医学图像 （1）CT图像： 骨结构、组织结构（不太清晰） （2）MRI（核磁共振）图像： 清晰看到除了骨结构之外的一些软组织，更能描述人体软组织结构。 （3）X-ray图像：很好描述肺结构 （4）超声图像： 超声图像很难看懂，因为图像视野狭窄，图像精度也不好，但是绿色对人体无害。
1.7K10编辑于 2022-07-31 - 来自专栏HyperAI超神经
谷歌发布 HEAL 架构，4 步评估医学 AI 工具是否公平
HEAL 架构：4 步评估皮肤科 AI 工具公平性 HEAL 框架包含 4 个步骤： 确定与卫生健康不公平有关的因素，并定义 AI 工具性能指标 明确并量化先前存在的健康差异 (disparities)
39210编辑于 2024-05-13 - 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。 image.GetDirection()) exp_image.SetSpacing(image.GetSpacing()) sitk.WriteImage(exp_image, "exp_image.mha") 4、
3.4K50发布于 2020-06-29 - 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
1K20发布于 2019-05-26 - 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。 像素的数量是用来描述某一成像设备下的医学成像的，同时也是描述解剖及其功能细节的一种表达方式。 ，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。
2.6K31发布于 2019-09-10 - 来自专栏计算机视觉life
医学图像处理
从头开始训练深度CNN是一项挑战[4]。首先，CNN需要大量标记的训练数据，这一要求在专家注释昂贵且疾病稀缺的医学领域中可能难以满足。 “大参数空间的有效探索”和在深度网络中实施稀疏性的方法相结合，提高了计算效率，并且与同一组发布的参考方法相比，平均分割误差减少了13.5％，八位患者的检测结果如图4所示。 4、图像融合 图像融合的主要目的是通过对多幅图像间的冗余数据的处理来提高图像的可读性，对多幅图像间的互补信息的处理来提高图像的清晰度。 4）数据隐私受社会和技术问题的影响，需要从社会学和技术学的角度共同解决。在卫生部门讨论隐私时，会想到HIPAA（1996年健康保险流通与责任法案）。 Physics in Medicine & Biology, 2008, 31(4):1-45. [22]Razzak M I , Naz S , Zaib A .
4.3K42发布于 2019-07-10 - 来自专栏机器之心
GPT-4V医学执照考试成绩超过大部分医学生，AI加入临床还有多远？
论文作者们选择了来自美国医学执照考试（USMLE）、医学生考试题库（AMBOSS）和诊断放射学资格核心考试（DRQCE）的三套选择题，共计 226 道题（28 个医学领域），来测试 GPT-4V 的准确性 此外，作者们还收集了医疗专业人士的偏好，用以评估 GPT-4V 的解释是否违背医学常识。当 GPT-4V 做错的时候，作者们还收集了来自医疗专业人士的反馈，用来改善 GPT-4V。 用美国医学执照考试（USMLE）中包含图像的考题测试 GPT-4V。 GPT-4V 的准确率反映了它掌握大量生物医学和临床科学知识，也能够解决医患相处中遇到的问题。这些都是进入医学临床实践的必备技能。 结论与展望 作者们认为，GPT-4V 在带有图像的医学执照考试题上展现了非凡的准确率，在临床决策支持方面，GPT-4V 具备无穷的潜力。
39310编辑于 2023-11-22 - 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。
5.3K21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。 在梯度计算过程中可调节高斯sigma参数，来控制水平集减速到接近边缘；（3）、然后使用逻辑回归（Sigmoid）函数对边缘图像进行线性变换，保证边界接区域近零，平坦区域接近1，回归可调参数有alpha和beta；（4） unsigned int seedPosition[2]; seedPosition[0] = atoi( argv[3] ); seedPosition[1] = atoi( argv[4] inputFilename = sys.argv[1] outputFilename = sys.argv[2] seedPosition = (int(sys.argv[3]), int(sys.argv[4]
4.5K63发布于 2020-06-29 - 来自专栏全栈程序员必看
医学图像处理(医学图像处理研究生就业选择)
4. （4）功能图像：时间分辨率相对很高。 9. K空间 解析：K空间的数据分布实际上是图像空间中数据的二维傅立叶变换结果。K空间中的数据点和图像空间中的数据点并 不是一一对应的。 Functional Connectivity （2）nilearn.datasets: Automatic Dataset Fetching （3）nilearn.decoding: Decoding （4） （4）层间时间校正：校正图像不同层之间的时间差异。 （5）空间标准化：将不同个体的数据对准到一个通用空间结构上，使得所有数据可以合并进行组分析。 （6）空间平滑：有意模糊数据以降低噪声。 8a833999-20a7dbd5-0120-a7dbd535- 00e7&objectId=oid:8a833999-20a7dbd5-0120-a7dbd535-00e6&courseID=S0400398 [4]
2.4K31编辑于 2022-08-02 - 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。 sitk_mask3 = FillHole(sitk_mask2) sitk.WriteImage(sitk_mask3, 'step4.mha') # 5 sitk_mask4 = sitk.GetArrayFromImage(sitk_mask4) array_mask4 = array_mask4 - array_tracheamask sitk_mask4 = sitk.GetImageFromArray(array_mask4) sitk_mask4.SetDirection(sitk_tracheamask.GetDirection()) ()) sitk.WriteImage(sitk_mask4, 'step7.mha') # 8 sitk_mask4 = MorphologicalOperation(sitk_mask4
4.7K54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。 2、Canny边缘检测操作 Canny边检检测算法由4步组成的，（1）、对输入图像进行高斯滤波平滑，（2）、计算平滑图像的导数包括幅值和方向，（3）、导数幅值非最大值抑制：判断领域中心处与相邻像素导数赋值比大小 ，抑制非极大值，（4）、双边阈值算法检测和连接边缘。 （4）、在施加非极大值抑制之后，剩余的像素可以更准确地表示图像中的实际边缘。然而，仍然存在由于噪声和颜色变化引起的一些边缘像素。 参数有4个需要人为设置，双边阈值的上限阈值和下限阈值，高斯平滑由两个参数来控制高斯核参数大小，高斯最大误差，必须设置在0~1之间。这边还要提醒一下，输入的图像必须是float类型的图像才可以计算。
3.5K30发布于 2020-06-29 - 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。
97910发布于 2020-08-13 - 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。
1.6K20发布于 2020-09-07 - 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。 L3与L4相比，平均减少了32.2%的推理时间，同时IoU略微降低了。 更激进的修剪方法，如L1和L2，可以进一步减少推理时间，但以显著的分割性能为代价。 训练和结果 优化这个模型，训练50多个epoch，使用Adam优化器，学习率1e-4，学习率衰减率为没10个epochs乘以0.1， 损失函数是二元交叉熵和Dice 系数的组合。 —END— 英文原文：https://towardsdatascience.com/biomedical-image-segmentation-unet-991d075a3a4b
1.7K21发布于 2020-11-23 - 来自专栏AI研习社
青年分享会第 4 期回顾 | 刘凯：解读生物医学图像论文（下）
分享论文：Joint Sequence Learning and Cross-Modality Convolution for 3D Biomedical Segmentation 8 月 4
83650发布于 2018-03-19 - 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。 Do wavelet transform on each image wavelet = 'db2' """ haar family: haar db family: db1, db2, db3, db4, , db27, db28, db29, db30, db31, db32, db33, db34, db35, db36, db37, db38 sym family: sym2, sym3, sym4, sym12, sym13, sym14, sym15, sym16, sym17, sym18, sym19, sym20 coif family: coif1, coif2, coif3, coif4,
2.9K20发布于 2020-06-29
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