- 综合排序
- 最热优先
- 最新优先
- 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。 （6）X光（X-ray）： （7）MRI（RF、核磁共振）图像： （8）超声图像： 2.3 维度分类 （1）二维： 日常生活中看到的都是二维图像 （2）三维： 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。
1.7K10编辑于 2022-07-31 - 来自专栏AIGC 先锋科技
Eir-8B 专为医学领域打造的先进大语言模型 ！
作者呈现了Eir-8B，这是一个具有80亿参数的大型语言模型，专门设计用于提高泰语文本处理医学任务的准确性。该模型关注于为医护行人和患者提供明确且易于理解的答案，从而提高诊断和治疗过程的效率。 作者在四个医学基准上评估了几个具有80亿参数的开放源大型语言模型：MedQA，MedMCQA，PubMedQA和MMLU的医学子集。 作者使用了最佳 Baseline 来开发Eir-8B。 3 Methodology Eir-8B模型的开发是一个复杂的过程，尤其是在为泰国创建一个专门针对医疗领域的语言模型方面。具有独特语言结构的泰语，在医学领域中的专业词汇非常有限。 5 结论 Eir-8B 是一种专门针对泰国医学领域的特定语言模型，展示了先进的医学推理和在这些专业基准上的改善性能。 通过持续训练于精心选择的、高质量医疗资源，包括更新的临床指南，Eir-8B在泰语医学语言能力方面超越了所有相似规模的泰国医学领域的最新模型。
47210编辑于 2024-09-29 - 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。
3.4K50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。 比如说，一个8比特的光栅可以有256个从0到255数值不等的图像深度 光度表示解释了像素数据如何以正确的图像格式（单色或彩色图片）显示。 ，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
0、引言 医学图像处理的对象是各种不同成像机理的医学影像，临床广泛使用的医学成像种类主要有X-射线成像 （X-CT）、核磁共振成像（MRI）、核医学成像（NMI）和超声波成像（UI）四类。 世界各地的医学图像处理机构已经迅速进入该领域，并将CNN和其它深度学习方法应用于各种医学图像分析。 在医学成像中，疾病的准确诊断和评估取决于医学图像的采集和图像解释。 比如基于三维可视化系统结合FastMarching算法和Watershed 变换的医学图象分割方法，能得到快速、准确的分割结果[8]。 ? （a） （b） （c） （d） 图8 医学图像配准原理 Imag., vol. 35, no. 5, pp. 1170–1181, May 2016 [8]林瑶, 田捷. 医学图像分割方法综述[J].
4.3K42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。 1、均值滤波 均值滤波是典型的线性滤波算法，它是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素（以目标像素为中心的周围8个像素，构成一个滤波模板，即去掉目标像素本身），再用模板中的全体像素的平均值来代替原来像素值
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。 atof( argv[6] ); const double beta = atof( argv[7] ); const double timeThreshold = atof( argv[8] float(sys.argv[5]) alpha = float(sys.argv[6]) beta = float(sys.argv[7]) timeThreshold = float(sys.argv[8]
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)
8. fMRI数据结构 解析： （1）时间分辨率 （2）空间分布率 （3）结构图像：空间分辨率相对很高。 （4）功能图像：时间分辨率相对很高。 9. （8）统计建模：将统计模型拟合到观测数据，以估计任务或刺激引起的响应。 （9）统计推断：估计结果的统计显著性，对在整个大脑中进行的大量统计检验进行校正。 uuid=8a833999-20a7dbd5-0120-a7dbd535- 00e7&objectId=oid:8a833999-20a7dbd5-0120-a7dbd535-00e6&courseID id=652799609557 [8] 天津医科大学医学影像诊断学：http://tj.jingpinke.com/xpe/portal/c791a316-1271-1000-bae6-e2511f149c90 uuid=8a833996-18ac928d-0118-ac928e9c-0114&courseID=C060034 [9] 南方医科大学医学影像学：http://sns.icourses.cn/jpk
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_mask4.SetOrigin(sitk_tracheamask.GetOrigin()) sitk.WriteImage(sitk_mask4, 'step7.mha') # 8 MorphologicalOperation(sitk_mask4, kernelsize=9, name='close') sitk.WriteImage(sitk_mask5, 'step8. number_of_sigma_steps = 8 lowerThreshold = 40 output_image = 'vessel.mha' input_image = itk.imread
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。 为了跟踪边缘连接，通过查看弱边缘像素及其8个邻域像素，只要其中一个为强边缘像素，则该弱边缘点就可以保留为真实的边缘。
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。
1.7K21发布于 2020-11-23 - 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。 on each image wavelet = 'db2' """ haar family: haar db family: db1, db2, db3, db4, db5, db6, db7, db8, , db31, db32, db33, db34, db35, db36, db37, db38 sym family: sym2, sym3, sym4, sym5, sym6, sym7, sym8, sym16, sym17, sym18, sym19, sym20 coif family: coif1, coif2, coif3, coif4, coif5, coif6, coif7, coif8,
2.9K20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（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。
2.9K51发布于 2020-06-29 - 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。 八、先天性心脏病（CHD）图集 数据下载链接： https://data.gov.uk/dataset/f13fbd0e-fc8a-4d42-82ef-d40f930e4b70/congenital-heart-disease-chd
5.4K30发布于 2020-12-11 - 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。
1.7K30编辑于 2022-04-06 - 来自专栏AiCharm
医学多模态大模型LLaVA-Med | 基于LLaVA的医学指令微调
然而，虽然在通用领域取得了成功，但是这样的LMMs在生物医学领域的效果较差，因为生物医学图像-文本对与通用网络内容截然不同。 在本文中，我们提出了用于生物医学领域的大型语言和视觉助手（LLaVA-Med），这是首次尝试将多模态指令调整扩展到生物医学领域，进行端到端的训练以开发生物医学多模态对话助手。 已经证明，针对生物医学自然语言处理（NLP）应用和生物医学视觉-语言（VL）任务进行领域特定的预训练是有效的。 我们提出了一种新颖的课程学习方法，将LLaVA调整到生物医学领域，使用我们自动生成的生物医学多模态指令遵循数据进行微调。 为了促进生物医学多模态学习的研究，我们将向公众发布以下资源：生物医学多模态指令遵循数据集以及数据生成和模型训练的代码库。
3.4K20编辑于 2023-07-26 - 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
93870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