- 综合排序
- 最热优先
- 最新优先
- 来自专栏机器之心
哈佛大学医学院博士后招聘-NLP和医学信息学方向
本期将为大家介绍哈佛大学医学院招聘一名医学信息学博士后的消息。 ）现公开招聘 1 名博士后科研人员，开展包括医学信息学、健康大数据分析、自然语言处理等方面的研究工作。 更多中心信息，请参见主页：https://www.drugepi.org/ 该研究中心正在招聘一名医学信息学博士后，博士后将获得哈佛大学医学院的任命，接受该中心和哈佛大学的教职工的密切指导，并参与一个或多个旨在利用先进的人工智能和信息技术分析大规模 导师团队还将包括医学信息学、人工智能方向的教职工。 三、 招聘要求 申请人需要具有计算机、医学信息学、医学等相关领域博士学位（PhD/ScD/DrPH, MD, PharmD 等）。
70040编辑于 2023-02-28 - 来自专栏云云众生s
发挥现代信息技术，助力拯救生命医学进步
近年来，医学研究和医疗保健行业见证了基因组测序和AI辅助医疗应用等救命技术进步带来的革命性突破。然而，这些新技术每月为医疗机构生成数百TB的基因组数据。 其放射科现在使用AI和数据分析来阅读医学图像、识别异常并向专家提供建议进行专业评估。有了现代的数据存储系统，该中心的AI驱动工具提高了阅读准确度并加快了患者治疗。 其放射科现在使用AI和数据分析来阅读医学图像、识别异常并向专家提供建议进行专业评估。有了现代的数据存储系统，该中心的AI驱动工具提高了阅读准确度并加快了患者治疗。
19910编辑于 2024-03-28 - 来自专栏技术随笔
如何应用Python处理医学影像学中的DICOM信息
DICOM（Digital Imaging and Communications in Medicine）即医学数字成像和通信，是医学图像和相关信息的国际标准（ISO 12052）。 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。DICOM可以便捷地交换于两个满足DICOM格式协议的工作站之间。 在数以万计的在用医学成像设备中，DICOM是部署最为广泛的医疗信息标准之一。当前大约有百亿级符合DICOM标准的医学图像用于临床使用。 ---- 下面就让我以实际Python代码来演示如何编程处理心血管冠脉造影DICOM图像信息。 1. 应用pydicom来提取患者信息。
4.4K60发布于 2018-05-16 - 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)， （3）坐标 图像存储在计算机中会丢失信息，因为是从一个连续的空间到离散空间的再采样过程。 图像数据： 生活中是二维的，医学上通常还有3维和4维的。 ,jpg等格式，这些格式是对图像信息的压缩。 （3）彩色图像： 包含更加丰富的信息，实际上时3个灰度图像的叠加，R/G/B的channel的混合。 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DrugOne
JCIM | 化学、生物和生物医学科学的信息学研究
编·译作者 | 王建民 信息学正在跨学科发展，影响着化学、生物和生物医学的多个领域。除了成熟的生物信息学学科，其他以信息学为基础的跨学科领域也在不断发展，如化学信息学和生物医学信息学。 重点讨论了生物信息学、化学信息学和生物医学信息学的定义、历史背景、实际影响、主要异同，并对生物信息学、化学信息学和生物医学信息学的传播和教学进行了评价。 ? 生物信息学是和生物医学信息学一起发展起来的，它们有着共同的根基。 值得注意的是，化学、生物学和生物医学科学领域的计算期刊还有很多（除此之外，还有一些多学科期刊也发表了专注于化学信息学、生物信息学和生物医学信息学的研究）。 突出的例子是药物发现和开发项目，这些项目经常涉及生物信息学，生物医学信息学和化学信息学方法。 3 结论 本文研究人员分析了信息学在生物学，化学和医学领域的影响，从而导致了新的基于信息学的学科的出现。
1.1K30发布于 2021-02-01 - 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。
3.3K50发布于 2020-06-29 - 来自专栏生物信息云
医学生物信息学文献第2期：肿瘤微环境
肿瘤内刺激树突状细胞(SDC)在刺激细胞毒性T细胞和诱导抗肿瘤免疫反应中起着重要的作用。 了解调节它们在肿瘤微环境(TME)中的丰度的机制可以揭示新的治疗机会。作者发现，在人黑色素瘤中，SDC的丰度与细胞因子FLT3LG基因的瘤内表达有关。FLT3LG主要由淋巴细胞产生，尤其是小鼠和人类肿瘤中的自然杀伤(NK)细胞。在小鼠TME中，NK细胞与SDC形成稳定的结合，小鼠NK细胞的遗传和细胞消融表明：FLT3L的产生在调节肿瘤中SDC的丰度方面发挥重要作用。虽然抗PD-1‘检查点’免疫疗法主要以T细胞为靶点，但作者发现NK细胞频率与人肿瘤中保护性SDC、患者对抗PD-1免疫治疗的反应性以及提高总体生存率有关。作者的研究表明，固有免疫SDC和NK细胞共同作为T细胞定向免疫治疗的良好预后工具，这些固有细胞是增强T细胞肿瘤反应所必需的，表明这一轴是新疗法的靶点。
83930发布于 2019-08-07 - 来自专栏机器学习、深度学习
医学图像分割
2016 code: http://www.sfu.ca/~abentaie/topo_fcn/topo_fcn.html 本文将 FCN 加入 geometric and topological 先验信息 FCN 针对像素级别的分割，没有考虑图像的higher-order 属性例如 边缘平滑性，多物体之间的拓扑信息 Moreover, FCNs tend to produce low-resolution
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。 而核医学图像，比如正电子发射断层图像（PET）和单光子发射断层图像（SPECT），通常都是以彩色映射或调色板来显示的 元数据是用于描述图像的信息。 ，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 Functional Magnetic Resonance Imaging，功能性磁共振成像 DICOM（Digital Imaging and Communications in Medicine）即医学数字成像和通信是医学图像和相关信息的国际标准 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
最近的结果表明，从CNN中提取的信息在自然图像中的对目标识别和定位方面非常有效。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。 多模态医学图像的融合把有价值的生理功能信息与精确的解剖结构结合在一起，可以为临床提供更加全面和准确的资料[23]。融合图像的创建分为图像数据的融合与融合图像的显示两部分来完成。 目前已有一些采用人机交互定点、自动测量分析的图像分析软件，能定点或定项地完成一些测量和辅助诊断的工作，但远远没有达到智能分析和专家系统的水平；全自动识别标志点并测量分析以及医学图像信息与文本信息的融合， 医学图象处理技术作为提升现代医疗诊断水平的有力依据, 使实施风险低、创伤性小的手术方案成为可能，必将在医学信息研究领域发挥更大的作用。 参考文献 [1]林晓, 邱晓嘉. 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] .
4.3K42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。
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。
4.5K63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。
4.6K54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)
医学影像学 医学影像学Medical Imaging，是研究借助于某种介质（如X射线、电磁场、超声波等）与人体相互作用，把人体内部组织器官结构、密度以影像方式表现出来，供诊断医师根据影像提供的信息进行判断 课程设置包括：（1）主干学科：基础医学、临床医学、医学影像学.（2）主要课程：物理学、电子学基础、计算机原理与接口、影像设备结构与维修、医学成像技术、摄影学、人体解剖学、诊断学、内科学、影像诊断学、影像物理 DICOM格式 解析：DICOM（Digital Imaging and Communications in Medicine）即医学数字成像和通信，是医学图像和相关信息 的国际标准（ISO 12052 在数以万计的在用医学成像设备中，DICOM是部署最为广泛的医疗信息标准之一。当 前大约有百亿级符合DICOM标准的医学图像用于临床使用。 5. 一个K空间中的数据点对应了图像空间中所有数据点的一部分信息。
2.3K31编辑于 2022-08-02 - 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。 Sobel算子计算原理，对传进来的图像像素做卷积，卷积的实质是在求梯度值，或者说给了一个加权平均，其中权值就是所谓的卷积核；然后对生成的新像素灰度值做阈值运算，以此来确定边缘信息。
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。
96810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。 贡献 ①为了解决2D模型预测结果不连续问题和现有的cGAN只考虑像素一致性而忽略图像内容结构一致性的问题，引入edge边缘信息，提出EaGAN网络用语MRI合成 ②设计两种策略学习edge信息，gEaGAN 只在生成器种约束edge map；dEaGAN同时在生成器和判别器中利用edge信息，与直接使用梯度相比，对噪声更不敏感且更注重邻域信息 关于图像边缘和3D Sobel算子的描述，如下： image.png ②利用相邻截面信息(neighboring cross-sections)来进一步提高合成图像的质量。 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。 小波变换的实际作用是对信号解相关，并将信号的全部信息集中到一部分具有大幅值的小波系数中。这些大的小波系数含有的能量远比小系数含有的能量大，从而在信号的重构中，大的系数比小的系数更重要。 规则二：加权平均法 权重系数可调，适用范围广，可消除部分噪声，源图像信息损失较少，但会造成图像对比度的下降，需要增强图像灰度。 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。
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。 在实际使用时要小心使用这个图像信息，不能随便修改。 除了这些跟图像相关的信息外，Dicom图像还有很多元数据(MetaData)，这些都是通过（关键字，数值）对（key，value）来存储表示的，不过在这里呢，我们暂时不需要太关心这些内容，这些元数据跟图像处理算法没有太大的相关性
2.9K51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