#medical-imaging Repositorios
81 repositorios en total
DeepInverse: una biblioteca PyTorch para resolver problemas inversos de imagen utilizando el aprendizaje profundo
DIPY es la biblioteca paradigmática de imagenología médica 3D/4D+ en Python. Contiene métodos genéricos para normalización espacial, procesamiento de señales, aprendizaje automático, análisis estadístico y visualización de imágenes médicas. Además, contiene métodos especializados para anatomía computacional, incluyendo imagen por difusión, perfusión e imagen estructural.
"Reconstrucción 3D de rayos X de vista dispersa consciente de la estructura" (CVPR 2024) - Una caja de herramientas para la reconstrucción de TC y la síntesis de nuevas vistas de rayos X
[Premio al Joven Científico de MICCAI 2019] [Premio al Mejor Artículo de MedIA] Models Genesis: preentrenamiento autosupervisado para imágenes médicas 3D. Aprende representaciones transferibles a partir de volúmenes de TC y RM sin etiquetar, y luego realiza un ajuste fino para tareas posteriores de segmentación y clasificación. Incluye pesos para Keras y PyTorch.
BiomedParse: Un modelo fundamental para la segmentación, detección y reconocimiento conjunto de objetos biomédicos en nueve modalidades
Código oficial para "Boundary loss for highly unbalanced segmentation", subcampeón del premio al mejor artículo en MIDL 2019. Versión extendida en MedIA, volumen 67, enero 2021.
Modelos Fundacionales de Visión para IA Médica, incluyendo RETFound, DINOv2, DINOv3
nnDetection es un framework de autoconfiguración para la detección de objetos médicos 3D (volumétricos) que se puede aplicar a nuevos conjuntos de datos sin intervención manual. Incluye guías para 12 conjuntos de datos que se utilizaron para desarrollar y evaluar el rendimiento del método propuesto.
Biblioteca para calcular métricas de rendimiento basadas en distancia superficial para tareas de segmentación.
Aumento de imágenes para visión por computadora. Licencia exclusivamente AGPL-3.0 o licencia comercial.
[Obsoleto] Usa Cornerstone3D en su lugar https://cornerstonejs.org/
Inspirando la próxima generación de modelos Segment Anything: Evaluar de manera integral SAM y SAM 2 con diversos prompts hacia conceptos dependientes del contexto en diferentes escenas
El código oficial para "Hacia un modelo fundamental generalista para radiología aprovechando datos médicos 2D y 3D a escala web".
[BIONLP@ACL 2024] XrayGPT: Resumen de radiografías de tórax utilizando modelos médicos de visión y lenguaje.
Clasificación de imágenes de diapositivas de cáncer de pulmón usando aprendizaje profundo
Un marco para el procesamiento de imágenes médicas de alto rendimiento, inferencia de redes neuronales y visualización