#medical-imaging Dépôts
81 dépôts au total
DeepInverse: une bibliothèque PyTorch pour résoudre les problèmes inverses d'imagerie à l'aide de l'apprentissage profond
DIPY est la bibliothèque exemplaire d'imagerie médicale 3D/4D+ en Python. Elle contient des méthodes génériques pour la normalisation spatiale, le traitement du signal, l'apprentissage automatique, l'analyse statistique et la visualisation d'images médicales. De plus, elle contient des méthodes spécialisées pour l'anatomie computationnelle, incluant l'imagerie par diffusion, la perfusion et l'imagerie structurale.
"Reconstruction 3D par rayons X à vue éparse respectueuse de la structure" (CVPR 2024) - Une boîte à outils pour la reconstruction CT et la synthèse de nouvelles vues par rayons X
[Prix du jeune scientifique de MICCAI 2019] [Prix du meilleur article de MedIA] Models Genesis : pré-entraînement auto-supervisé pour les images médicales 3D. Apprend des représentations transférables à partir de volumes de TDM et d’IRM non annotés, puis effectue un affinage pour les tâches en aval de segmentation et de classification. Poids Keras et PyTorch inclus.
BiomedParse : Un modèle de base pour la segmentation, la détection et la reconnaissance conjointes d'objets biomédicaux à travers neuf modalités
Code officiel pour "Boundary loss for highly unbalanced segmentation", deuxième du prix du meilleur article à MIDL 2019. Version étendue dans MedIA, volume 67, janvier 2021.
Modèles de fondation de vision pour l'IA médicale, y compris RETFound, DINOv2, DINOv3
nnDetection est un framework d'auto-configuration pour la détection d'objets médicaux 3D (volumétriques) qui peut être appliqué à de nouveaux jeux de données sans intervention manuelle. Il comprend des guides pour 12 jeux de données qui ont été utilisés pour développer et évaluer les performances de la méthode proposée.
Bibliothèque pour calculer des métriques de performance basées sur la distance de surface pour les tâches de segmentation.
Augmentation d’images pour la vision par ordinateur. Licence AGPL-3.0 uniquement ou licence commerciale.
[Obsolète] Utilisez Cornerstone3D à la place https://cornerstonejs.org/
Inspirer la prochaine génération de modèles Segment Anything : Évaluer de manière exhaustive SAM et SAM 2 avec des invites diverses pour des concepts dépendant du contexte dans différents scénarios
Le code officiel pour "Vers un modèle fondamental généraliste pour la radiologie en exploitant des données médicales 2D et 3D à l'échelle du Web".
[BIONLP@ACL 2024] XrayGPT: Résumé des radiographies thoraciques à l'aide de modèles médicaux de vision et de langage.
Classification des images de lames de cancer du poumon à l'aide de l'apprentissage profond
Un framework pour le traitement d'images médicales haute performance, l'inférence de réseaux de neurones et la visualisation