#medical-imaging Dépôts
Découvrez 81 dépôts GitHub open source actifs associés à #medical-imaging, cumulant 117,963 étoiles au total (soit une moyenne de 1,456 étoiles par projet). Le projet en tête de ce thème est kmario23/deep-learning-drizzle, avec 12,995 étoiles.
81 dépôts au total
Plongez dans le Deep Learning, l'Apprentissage par Renforcement, le Machine Learning, la Vision par Ordinateur et le NLP en apprenant de ces conférences passionnantes !!
Visionneuse DICOM zero-footprint OHIF et Lesion Tracker spécifique à l'oncologie, plus des packages d'extensions partagés
Liste des jeux de données d'imagerie médicale « Un index pour les jeux de données d'imagerie médicale »
Outil pour la segmentation robuste de >100 structures anatomiques importantes dans les images CT et IRM
Une liste sélectionnée de LLM médicaux, systèmes multimodaux, ensembles de données, benchmarks, et plus. 🏥
Collection de questions et réponses d'entretiens AIGC-interview/CV-interview/LLMs-interview, incluant également de nouvelles idées, de nouvelles questions, de nouvelles ressources et de nouveaux projets issus des processus de travail et de recherche
Logiciel open source gratuit multiplateforme pour la visualisation et le calcul d'images.
Réseau Neuronal Convolutif (CNN) Pytorch 3D U-Net conçu pour la segmentation d'images médicales
Collection de fantastiques ressources de jeux de données médicaux.
Assistant Langage-et-Vision à grande échelle pour la biomédecine, construit vers des capacités multimodales de niveau GPT-4.
Modèles de diffusion en imagerie médicale (publié dans le Medical Image Analysis Journal)
[Obsolète] Utilisez Cornerstone3D à la place https://cornerstonejs.org/
Un framework d'apprentissage profond basé sur PyTorch pour la segmentation d'images médicales multimodales 2D/3D
Entraînez efficacement des modèles d'IA sur des images médicales à l'aide de n'importe quel framework
Visionneuse Web DICOM : bibliothèque d'images médicales open source à empreinte zéro.
Insight Toolkit (ITK) -- Dépôt Officiel. ITK s'appuie sur une architecture éprouvée et orientée spatialement pour le traitement, la segmentation et l'enregistrement d'images scientifiques en deux, trois ou plus dimensions.
【ICML 2025 Spotlight】 Dépôt officiel du papier « HealthGPT : Un grand modèle linguistique visuel médical pour unifier la compréhension et la génération via l'adaptation de connaissances hétérogènes »
Paquet Python open source pour l'extraction de caractéristiques Radiomics à partir d'images 2D et 3D et de masques binaires. Support : https://discourse.slicer.org/c/community/radiomics
Weasis est un visualiseur DICOM basé sur le web pour l'imagerie médicale avancée et l'intégration PACS fluide.
[pip install medmnist] 18 jeux de données standardisés pour la classification d'images biomédicales 2D et 3D
Utilisation de modèles de diffusion pour segmenter/reconstruire des organes à partir d'images médicales [Article le plus influent de l'AAAI]
Le Medical Detection Toolkit contient des implémentations 2D + 3D de détecteurs d'objets courants tels que Mask R-CNN, Retina Net, Retina U-Net, ainsi qu'un framework d'entraînement et d'inférence axé sur la gestion d'images médicales.
Une collection de ressources sur les applications des Transformeurs en imagerie médicale.
Notes de lecture sur l'apprentissage profond et l'apprentissage automatique
MedRAX : Agent de Raisonnement Médical pour Radiographies Thoraciques - ICML 2025
Ce dépôt est la première enquête complète sur le modèle Segment Anything (SAM) de Meta AI.
Fellow Oak DICOM pour .NET, .NET Core, Universal Windows, Android, iOS, Mono et Unity
TorchXRayVision : Une bibliothèque de jeux de données et de modèles de radiographies thoraciques. Classificateurs, segmentation et auto-encodeurs.
Cornerstone est un ensemble de bibliothèques JavaScript qui peuvent être utilisées pour créer des applications d'imagerie médicale basées sur le web. Il fournit un framework pour la construction d'applications de radiologie telles que OHIF Viewer.
Réseau de Neurones Convolutifs 3D Multi-Échelle Efficace pour la Segmentation de Scans Médicaux 3D
Un modèle généraliste transparent pour une compréhension holistique vision-langage médicale
Une collection de ressources sur les applications de l'apprentissage multimodal en imagerie médicale.
Un ensemble de code de support commun pour l'imagerie médicale, la navigation chirurgicale et des usages connexes.
SAM-Med3D : Un modèle de segmentation universel efficace activable par invite pour l'image médicale volumétrique 3D
suivi des ensembles de données médicales, avec un accent sur l'imagerie médicale
U-Mamba : Amélioration de la dépendance à longue portée pour la segmentation d'images biomédicales
Medical SAM 2 : Segmentation d'images médicales 3D via le modèle Segment Anything 2
Cahiers Jupyter pour apprendre à utiliser SimpleITK
MONAI Label est un outil intelligent open source d'étiquetage et d'apprentissage d'images.
⚕️Chatbot médical multi-agents alimenté par GenAI pour le diagnostic médical et l'assistance à la recherche en soins de santé. 🏥 Conçu pour les professionnels de la santé, les chercheurs et les patients.
Une bibliothèque rapide d'analyse d'images médicales en Python avec des algorithmes pour l'enregistrement, la segmentation et plus.
Foire aux questions
Quel est le dépôt #medical-imaging le plus populaire sur GitHub ?
Le projet #medical-imaging open source le mieux classé sur GitHub est kmario23/deep-learning-drizzle, avec 12,995 étoiles. Plongez dans le Deep Learning, l'Apprentissage par Renforcement, le Machine Learning, la Vision par Ordinateur et le NLP en apprenant de ces conférences passionnantes !!
Quels langages de programmation sont les plus utilisés dans les dépôts #medical-imaging ?
Parmi les projets #medical-imaging les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, C++, TypeScript.
Comment le classement des dépôts #medical-imaging est-il calculé ?
Nous suivons 81 dépôts open source actifs associés à #medical-imaging (500+ étoiles), totalisant 117,963 étoiles, avec une moyenne de 1,456 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.