- 综合排序
- 最热优先
- 最新优先
- 来自专栏python3
JS 3D 模型
这是一个简单的 JS 3D 模型，能跑在包括 IE6 的所有浏览器上，结合一下 tween 缓动算法，理论上已经可以完美模拟像 http://www.cu3ox.com/ 这个网站上方 banner 的各种变换效果了 介绍一下实现细节，矢量绘图仍然用的是 Raphael 库，Raphael 我在《如何用 JS 实现 3D ×××效果》这篇文章里有过介绍。 关于画家算法 渲染器工作时，会从他的角度上能看到的所有物体都描绘出来，即用 2D 的手法去描述 3D 的物体。
3.6K20发布于 2020-01-07 - 来自专栏类器官/器官芯片/3D培养
ADC肺毒性如何评估：基于人源肺泡体外模型的机制分析
在临床研究中，部分ADC药物被观察到与肺毒性相关，例如间质性肺病（ILD）。关键问题在于：传统动物模型难以准确预测此类毒性反应。 该体系主要包括：人源肺泡模型（气液界面培养）肿瘤球状体模型模拟循环环境的微体系该设计实现了：肺组织与肿瘤组织在体外环境中的相互作用从而用于同步评估药物疗效与器官毒性。 六、模型价值分析该类人源体外模型的意义在于：可同时评估药物疗效与器官毒性能识别传统模型难以发现的毒性信号有助于解析复杂毒性机制对于ADC等复杂药物：多组织体外模型提供了一种更接近人体反应的研究路径七、总结在 ADC药物开发过程中，肺毒性预测仍然是关键挑战之一。 ，用于分析ADC药物肺毒性评估方法与模型应用。
10510编辑于 2026-03-25 - 来自专栏AI科技大本营的专栏
美国科学家3D打印出会“呼吸”的肺 | Science
5 月 4 日，《科学》杂志封面报道，美国莱斯大学与华盛顿大学的研究团队带来一项具有里程碑意义的发明：一个由水凝胶 3D 打印而成的肺模型，它具有与人体血管、气管结构相同的网络结构，能够像肺部一样朝周围的血管输送氧气 要想 3D 打印出有效的肺模型，研究人员首先需要了解人类器官的结构是怎样的，以及这种结构上的不同功能是如何形成的。 由于肺部同时拥有气道和血管，它认为需要解决三个难题：1、如何使打印的器官模拟肺功能的气囊，自由交换氧气。2、如何使打印出的血管可以为组织输送氧气成分。 图3 具有血管化肺泡模型拓扑结构的水凝胶的潮气通气和氧合作用（Tidal ventilation and oxygenation） 最后，他们还在慢性肝损伤的啮齿动物中放置了结构性可生物降解的水凝胶载体 想象一下，你自己的肺和心脏，以及其他一切处于运转当中的器官组织，研究人员认为，探索 3D 打印器官，比如瓣膜、模仿肺部功能的组织对生物医学领域来说极其重要。
1.3K20发布于 2019-05-14 - 来自专栏类器官/器官芯片/3D培养
人源3D肺模型与ALI气液界面培养技术解析：Epithelix MucilAir、SmallAir与AlveolAir在呼吸系统研究中的应用
在这一背景下，人源原代肺细胞、ALI气液界面培养模型和3D肺组织模型逐渐成为呼吸系统疾病机制研究、吸入制剂评价、肺部安全性研究以及药物筛选中的重要工具。 3D肺模型？ 其技术体系以空气液界面培养为基础，建立了多种模拟人体气道与肺泡结构的人源3D肺模型，可用于哮喘、慢阻肺、肺纤维化、呼吸道感染机制、肺部安全性评价以及吸入药物研究等方向。 六、总结Epithelix长期专注于人呼吸系统体外模型开发，其原代肺细胞、ALI气液界面模型和3D肺组织体系，正在成为呼吸疾病研究与吸入药物开发中的重要工具。 随着NAMs、MPS和OOC技术的发展，人源3D肺模型预计将在呼吸系统体外评价体系中发挥越来越重要的作用。
10110编辑于 2026-05-12 - 来自专栏最新医学影像技术
医学图像处理案例（四）——生成人体骨骼和肺组织三维模型
在前面的文章中，我分享过关于生成3D人体模型的案例。 今天我就分享一下如何生成人体骨骼和肺组织的三维模型。 不管是生成人体骨骼还是肺组织的三维模型，步骤都是一样的。 首先将dicom图像导入，然后用图像处理算法进行处理，分割得到感兴趣区域即我们想要的人体组织区域，最后将组织区域转成3D的面片结构。这过程其实不是很复杂，但最难的地方就是在图像处理部分。 3、设置不同参数生成人体皮肤和人体骨骼三维模型结构 设置不同的面片提取阈值，可以得到不同的三维模型结构。 ? ? 4、提取人体肺组织区域 ? 5、设置不同参数生成肺组织和肺气管三维模型结构 ? ?
1.9K40发布于 2020-06-29 - 来自专栏AI研习社
腾讯优图开源业界首个3D医疗影像大数据预训练模型MedicalNet
近日，腾讯优图首个医疗 AI 深度学习预训练模型 MedicalNet （https://github.com/Tencent/MedicalNet）正式对外开源，这也是全球第一个提供多种 3D 医疗影像专用预训练模型的项目 为了产生 3D 医疗影像的预训练模型，MedicalNet 聚集多个来自不同 3D 医疗领域的语义分割小规模数据集，并提出了基于多分支解码器的多域联合训练模型来解决数据集中的标注缺失问题。 腾讯团队将 MedicalNet 模型迁移到预训练时未接触过的 Visceral 和 LIDC 数据集中，完成全新的肺部分割和肺结节分类任务，并与目前常用的从零训练（train from scratch ）以及 Kinetics 视频 3D 预训练模型在性能以及收敛速度上做了比较。 在收敛速度上，实验证明，无论是在肺分割任务还是肺结节分类任务上，MedicalNet 均能为模型提供一个较低的初始化损失值，明显加快损失下降速度，下图为 MedicalNet 性能的一个简单示例，展示了在全器官分割应用中
1.4K10发布于 2019-08-15 - 来自专栏AI科技大本营的专栏
一根烟上热搜，先让AI看看你的肺
在精检测过程中，一般用深度卷积神经网络对预检测得到的候选结节区域进行分类以区分肺结节的真假性，比如使用ResNet和基于Inception的一系列分类网络，在这一步中我们希望能够通过深度学习模型更精确地识别肺结节 即先利用3D U-net来实现连续图像序列的分割，或者利用3D Fast R-CNN来实现连续图像序列的检测，再利用3D CNN来完成最终的结节分类。 对于第一个问题，我们采用3D SSD检测框架来取代以往的两步建模方式，直接通过一个深度网络输出结节的位置和类别。 对于第二个问题，我们在网络结构中引入群卷积，考虑各个特征通道之间的关系，让模型自主地去学习价值较高的特征图，同时群卷积的使用也大幅提升了模型的性能。 我们可视化了部分肺结节检测的结果，可以看出对于一些很小的结节，我们的模型依然可以检测得很好。
69150发布于 2019-06-03 - 来自专栏机器之心
学界 | 点内科技、华东医院及上海交大合著论文：3D深度学习在CT影像预测早期肿瘤浸润方面超过影像专家
点内科技、复旦大学附属华东医院「张国桢肺微小结节诊治中心」和上海交通大学「SJTU-UCLA 机器感知与推理联合研究中心」组成的联合研究团队共同合作的科研成果「3D Deep Learning from Pulmonary Adenocarcinomas」于 2018 年 10 月 2 日在线发表，文章利用深度学习的方法对像素级标注的亚厘米肺腺癌 CT 数据和其病理结果标注进行训练，并通过多任务的卷积神经网络对亚厘米肺腺癌的浸润风险程度进行自动术前预测 该模型基于 3D DenseNets，配合多任务学习，是参数高效（parameter-efficient）的 3D 卷积神经网络。 训练完成后，模型只需要常规的 CT 数据，不需要肺结节分割、大小以及任何预先定义的信息。我们的多任务学习模型显著优于单任务模型，并且 3D 模型也显著优于其 2D 变种。 需要说明的是，本文纳入的亚厘米肺结节大部分为肺磨玻璃结节，这种类型的结节，特别是亚厘米磨玻璃结节，在 CT 图像上由于传统的恶性征象较少出现，浸润前病变和浸润性病变影像表现重叠较高等特征，诊断十分困难，
83420发布于 2018-10-22 - 来自专栏最新医学影像技术
VESSEL2012——肺血管分割
今天将分享肺血管分割完整实现版本，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。 一、VESSEL2012介绍 该数据集来自VESSEL12挑战，其目的是比较从健康和患病人群的胸部计算机断层扫描中对肺血管进行（半）自动分割的方法。 数据集下载链接： https://zenodo.org/records/8055066 四、技术路线 1.1、肺组织分割提取 在前面的文章中介绍过用传统方法提取肺组织，详情可以参考这篇文章医学图像处理案例 （一）——基于CT图像的肺分割。 在上述1.1和1.2步骤已经对肺组织、肺动脉和肺静脉进行了自动分割提取，所以对于肺部血管分割将根据这三个结果进行合并后即可得到。 测试集分割结果。
98010编辑于 2024-02-01 - 来自专栏作图丫
cfDNA 构建I 期肺腺癌早筛模型！
背景介绍 cfDNA的相关研究已经成为热潮，今天小编为大家带来的这篇文章，作者利用 cfDNA 片段组学开发了侵袭性 I 期肺腺癌 (LUAD) 的预测模型，文章发表在《eBioMedicine》上，影响因子为 结果解析 01 用于预测模型构建的cfDNA片段组学特征和机器学习模型选择 本研究通过结合三种机器学习方法测试三个 cfDNA 主题特征来进行预测模型的构建和选择，分别是逻辑回归、深度学习和 XGBoost 根据评估，本研究确定 6bp 断点基序的逻辑回归模型比其他模型具有更高的检测能力，因此采用该模型进行详细的性能评估（图 1b）。 在将 WGS 覆盖范围下采样到 4×、3×、2×、1× 和 0.5×后，本研究发现它们的 AUC 值在内部 (> 0.97) 和外部 (> 0.91) 验证队列中始终保持较高水平（图 3c 和 3d）。 03 预测模型在识别早期LUAD中的性能 接下来本研究进一步研究了模型在不同肺癌亚组中的表现。
64250编辑于 2022-12-04 - 来自专栏Flutter
Flutter 中渲染3D 模型
原文地址：https://medium.com/flutterdevs/explore-model-viewer-in-flutter-e5988edbfe66 3D模型是具有3个测量长度，宽度和深度的模型 **我们将实现一个模型查看器演示程序，并在您的flutter应用程序中使用model_viewer包以glTF和GLB格式显示3D模型。 3D模型显示3D图片。 该演示视频展示了如何在Flutter中创建模型查看器。它显示了如何在flutter应用程序中使用model_viewer包来运行模型查看器。 它以glTF和GLB格式显示3D模型，并通过鼠标，手触摸和自动旋转将其旋转360度。 功能 模型查看器具有以下功能： 呈现glTF和GLB模型。（此外，USDZ型号在iOS 12+上。） 参数 **src：**此参数用于3D模型的URL或路径。此参数是必需的。仅支持glTF / GLB型号。
27.7K20发布于 2021-04-22 - 来自专栏又见苍岚
OBJ 3D模型格式介绍
OBJ是一种 3D 文件格式, 本文记录相关内容。 OBJ 是一种几何定义文件格式，Wavefront Technologies 公司在可视化加强动画包中第一次使用了这个格式，文件格式是公开的，并具有及其优质的兼容性和跨平台、跨行业的通用性，在所有 3D OBJ 格式的三维网格模型储存了模型的顶点、面片、法向量纹理等几何信息。 OBJ 文件一般会与 mtl 文件与 贴图图像 文件共用, 组成一个 3D 模型文件, 有时还会附带一个 xml 文件记录坐标偏移量。 补充说明 模型一般通过 3d 建模软件，例如 Blender, 3DS Max 或者 Maya 等工具建模，导出时的数据格式变化较大，我们导入模型到 OpenGL 的任务就是：将一种模型数据文件表示的模型
2.3K10编辑于 2024-07-13 - 来自专栏单细胞天地
肺上皮细胞单细胞亚群
上面的这个文章其实也接下来部分细分： 正常的肺的上皮细胞细分 可以看到来自于正常的肺的上皮细胞约2000个，可以分成如下所示的5个亚群： alveolar type I cell (AT1; AGER
1.7K21编辑于 2022-04-18 - 来自专栏量子位
腾讯开源首个医疗AI项目，业内首个3D医疗影像大数据预训练模型
旗下顶级AI实验室腾讯优图，对外开源了腾讯首个医疗AI项目——深度学习预训练模型MedicalNet。 ? 这一项目，专为3D医疗影像在深度学习上的应用开发，也是业内首个同方向上的预训练模型。 腾讯优图说，MedicalNet能够加快模型收敛，减轻模型对数据量的依赖，帮助3D医疗影像AI应用“打地基”。 这一预训练的适用性也很强，可以迁移到任何3D医疗影像应用的深度学习模型中。整个系统的工作流程如下图所示： ? 并用它来完成全新的肺部分割和肺结节分类任务，并与目前常用的从零训练（train from scratch）以及Kinetics视频3D预训练模型在性能以及收敛速度上做了比较。 在收敛速度上，无论是在肺分割任务还是肺结节分类任务上，MedicalNet都能为模型提供一个较低的初始化损失值，明显加快损失下降速度。
80340发布于 2019-08-12 - 来自专栏相约机器人
腾讯开源首个医疗AI项目，业内首个3D医疗影像大数据预训练模型
旗下顶级AI实验室腾讯优图，对外开源了腾讯首个医疗AI项目——深度学习预训练模型MedicalNet。 ? 这一项目，专为3D医疗影像在深度学习上的应用开发，也是业内首个同方向上的预训练模型。 腾讯优图说，MedicalNet能够加快模型收敛，减轻模型对数据量的依赖，帮助3D医疗影像AI应用“打地基”。 这一预训练的适用性也很强，可以迁移到任何3D医疗影像应用的深度学习模型中。整个系统的工作流程如下图所示： ? 并用它来完成全新的肺部分割和肺结节分类任务，并与目前常用的从零训练（train from scratch）以及Kinetics视频3D预训练模型在性能以及收敛速度上做了比较。 在收敛速度上，无论是在肺分割任务还是肺结节分类任务上，MedicalNet都能为模型提供一个较低的初始化损失值，明显加快损失下降速度。
1.7K30发布于 2019-08-09 - 来自专栏破晓之歌
网页显示3D模型 原
3D模型展示平台 方式1：Sketchfab 官方地址：https://sketchfab.com/features 方式2：3DPunk 官方地址：https://www.3dpunk.com/ THREE.JS
1.9K50发布于 2018-08-15 - 来自专栏腾讯开源的专栏
腾讯优图开源业界首个3D医疗影像大数据预训练模型
提供不同深度3D ResNet预训练模型，可供不同数据量级应用使用。 为了产生3D医疗影像的预训练模型，MedicalNet聚集多个来自不同3D医疗领域的语义分割小规模数据集，并提出了基于多分支解码器的多域联合训练模型来解决数据集中的标注缺失问题。 我们的预训练模型可以迁移到任何3D医疗影像应用的深度学习模型中。 整个系统的工作流程如下图所示： 我们将MedicalNet模型迁移到预训练时未接触过的Visceral和LIDC数据集中，完成全新的肺部分割和肺结节分类任务，并与目前常用的从零训练（train from 在收敛速度上，实验证明，无论是在肺分割任务还是肺结节分类任务上，MedicalNet均能为模型提供一个较低的初始化损失值，明显加快损失下降速度，下图为MedicalNet性能的一个简单示例，展示了在全器官分割应用中
1.9K31发布于 2019-08-07 - 来自专栏DrugOne
Nat. Mach. Intel. | 用机器学习发现肉眼不可见的新冠肺部长期病变
量化肉眼不可见的肺损伤分为两大步骤。第一步是把这些肉眼不可见的损伤用可解释的方式展现给医疗专家，第二步是让医疗专家标注出哪些地方是损伤，并训练模型去自动量化这些肺损伤。 因此，为了能让医学专家看清这些肺损伤，高欣课题组首先训练了各种肺组织分割模型，去除了血管，气管等无关组织，然后统计肺内CT值为每个病人自动地计算了观察肺损伤最优的信号区间：例如患者A最佳的观察范围是CT 图4，相同ground truth，相同模型下，是否经过DLPE去scan-level bias的区别。左边没有去scan-level bias，右边去掉了，红色区域是肺损伤的标注。 其中的分割模型是基于2.5D模型：训练的时候刻意隐藏了3D长程结构特征，预测时通过长程结构的重构来检验预测结果是否正确。对于肺损伤的增强、radiomics的量化，则是用传统算法（非深度学习）。 肺有肋骨造成的沟，血管、气管是树状结构等。训练时刻意隐藏这些长程特征，预测时通过检验3D分割是否具有这些长程特征，来检验是否正确分割。 总结 这是一篇很有特色的医学影像论文。
50710编辑于 2022-06-10 - 来自专栏小蔚记录
three.js 运行3D模型
--3D模型加载器--> <script src="js/threejs/DDSLoader.js"></script> <script src="js/threejs/OrbitControls.js text_title" style="position: absolute;width:100%;height:20px;margin-top:200px;text-align: center;">请上传模型
上传模型:
<div class="model_box arr_link[$(this).index()] + suffix;//拼接字符串 loader_model(url,$(this).index());//加载单个<em>模型</em> opacity: 0.8,//<em>模型</em>透明度 depthWrite: false,7.5K30发布于 2019-09-11 - 来自专栏数字孪生
WebGL开发3D模型的流程
使用 WebGL 开发 3D 模型涉及到一系列步骤，从模型创建、导入到最终的渲染和交互，都需要仔细规划。以下是一个详细的流程，希望能帮助你更好地理解 WebGL 3D 模型开发。 1. 3D 模型创建：选择建模软件： 首先需要使用专业的 3D 建模软件创建模型，常用的软件包括：Blender： 开源免费的 3D 创作套件，功能强大，适合各种类型的 3D 模型创建。 雕刻建模： 使用类似雕刻工具的方式对模型进行细节刻画。UV 展开： 将 3D 模型的表面展开成 2D 平面，用于贴图的制作。贴图制作： 为模型添加纹理和材质，使其更加逼真。 导出模型： 将模型导出为 WebGL 支持的格式，常用的格式包括：glTF (.glb 或 .gltf)： 一种开放的 3D 模型格式，专门为 WebGL 设计，具有高效、轻量级的特点。 熟练掌握 3D 建模软件、WebGL API 和相关库，例如 Three.js，是进行 WebGL 3D 模型开发的关键。
1.2K11编辑于 2024-12-24
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