medical专题
Deep Learning Techniques for Medical Image Segmentation: Achievements and Challenges
前言： 该篇文章较为全面但稍偏简单的介绍医学图像分割的常见数据集、各种神经网络，以及常见的训练技巧等问题。 一、重点摘录 2.5D approaches are inspired by the fact that 2.5D has the richer spatial information of neighboing pixels wiht less computational costs t
Segment anything in medical images
原文：Segment anything in medical images 作者：Jun Ma, YutingHe, FeifeiLi, Lin Han, Chenyu You, Bo Wang 作者单位：The University of Toronto，University Health Network 期刊/会议：2024th nature communications 引用格式：M
Medical image registration(section7)
7. 体素相似度量intramodality配准 在第6章我们介绍了通过优化一个体素相似度量来对相同模型影像进行配准。由于配准中图像强度的相似性，subtraction, correlation和ratio techniques都能够直观的描述。但在intermodality配准中情况就完全不一样了。一般情况下，影像A和影像B的强度之间并没有简单的对应关系。根据第2章内容，强
Medical image registration(section6)
6. 体素相似度量intramodality配准 体素相似度量（Similarity measure）配准涉及通过优化一些估量来计算配准变换T，不同于点和表面这些衍生自影像中的几何结构，它直接从体素值（或是像素值）计算得来。正如第2节所属，使用体素相似性度量，我们几乎总是在迭代确定T，而在点的配准或是表面匹配中我们先确定相应的特征，然后直接或是从这些特征中迭代确定T，最后推断出T。
Medical image registration(section5)
5. 使用几何特征的刚体配准算法 5.2. 表面匹配 边界或物体表面，在医疗影像中往往是更明显的地标，大量的分割算法都可以成功找到这样的高对比度表面。在大多数成像方式中，人体和空气之间的边界是有着高对比度的，从中找到皮肤表面易如反掌。这完全不同于核医学发射断层扫描和一些回波平面磁共振影像的示踪剂。如果可以从两个影像中自动分割出能够组合的等效表面，那么我们就可以通过拟合这些表面来实
The Role of Subgroup Separability in Group-Fair Medical Image Classification
文章目录 The Role of Subgroup Separability in Group-Fair Medical Image Classification摘要方法实验结果 The Role of Subgroup Separability in Group-Fair Medical Image Classification 摘要 研究人员调查了深度分类器在性能上的差异
V23 中的新增功能：LEADTOOLS React Medical Web 查看器
LEADTOOLS (Lead Technology)由Moe Daher and Rich Little创建于1990年，其总部设在北卡罗来纳州夏洛特。LEAD的建立是为了使Daher先生在数码图象与压缩技术领域的发明面向市场。在过去超过30年的发展历程中，LEAD以其在全世界主要国家中占有的市场领导地位，在数码图象开发工具领域中已成为既定的全球领导者。LEADTOOLS开发与发布的LEAD是屡
Data augmentation using learned transformations for one-shot medical image segmentation-论文详解
这是一篇CVPR2019的论文，主要是做Magnetic resonance imaging(MRI)医学图像的分割（segmentation)。 MRI 磁共振成像（MRI）是一种用于放射学中的医学成像技术，用于形成人体解剖结构和生理过程的图片。MRI扫描仪使用强磁场，磁场梯度和无线电波来生成体内器官的图像。MRI不涉及X射线或使用电离辐射，这与CT或CAT扫描以及PET扫描不同。磁共振成
论文研读：Transformers Make Strong Encoders for Medical Image Segmentation
论文：TransUNet：Transformers Make Strong Encoders for Medical Image Segmentation 目录 Abstract Introduction Related Works 各种研究试图将自注意机制集成到CNN中。 Transformer Method Transformer as Encoder 图像序列化 Pat
MedSegDiff: Medical Image Segmentation withDiffusion Probabilistic Model 论文阅读
论文地址:[2211.00611] MedSegDiff: Medical Image Segmentation with Diffusion Probabilistic Model (arxiv.org) 代码:GitHub - KidsWithTokens/MedSegDiff: Medical Image Segmentation with Diffusion Model 摘要。扩散概率
MedSegDiff-V2: Diffusion based Medical Image Segmentation with Transformer
MedSegDiff-V2:基于变压器的扩散医学图像分割 摘要 扩散概率模型(Diffusion Probabilistic Model, DPM)最近在计算机视觉领域获得了广泛的应用，这要归功于它的图像生成应用，如Imagen、Latent Diffusion Models和Stable Diffusion，这些应用已经展示了令人印象深刻的能力，并在社区内引发了许多讨论。最近的研究进一步揭示
Medical Image Analysis期刊Latex模板下载
https://www.elsevier.com/journals/medical-image-analysis/1361-8415/guide-for-authors 在上面的链接中如图的位置可以下载相应的模板 下载的模板
A Multimodal Transfer Learning Approach for Medical Image Classification
是否可训练可用🔥和❄表示，这样更美观 辅助信息 作者未提供代码
【论文阅读】2020.CVPR.C2FNAS Coarse-to-Fine Neural Architecture Search for 3D Medical Image Segmentation
本周阅读的论文是2020年发表在CVPR上的名叫： 《C2FNAS：用于三维医学图像分割的从粗到精的神经结构搜索》的论文。 艾伦·尤耶尔（Alan L.Yuille）教授是约翰·霍普金斯大学（Johns Hopkins University）的杰出的认知科学和计算机科学教授，也是计算机视觉的奠基人之一。 他领导着有关成分认知，视觉和学习的研究小组。他于2016年1月移居到约翰·霍普金斯
DTAN: Diffusion-based Text Attention Network for medical imagesegmentation
DTAN:基于扩散的医学图像分割文本关注网络 摘要 在当今时代，扩散模型已经成为医学图像分割领域的一股开创性力量。在此背景下，我们引入了弥散文本注意网络(Diffusion text - attention Network, DTAN)，这是一个开创性的分割框架，它将文本注意原理与扩散模型相结合，以提高医学图像分割的精度和完整性。我们提出的DTAN架构旨在通过利用文本注意机制将分割过程引导到感
Ambiguous Medical Image Segmentation using Diffusion Models利用扩散模型分割模糊医学图像
摘要： 事实证明，在临床任务中，来自一组专家的集体见解总是优于个人的最佳诊断。对于医学图像分割任务，现有的基于人工智能的替代研究更多地侧重于开发能够模仿最佳个体的模型，而不是利用专家组的力量。 在本文中，我们介绍了一种基于单一扩散模型的方法，该方法通过学习群体洞察力的分布来产生多个可信的输出。我们提出的模型通过利用扩散的固有随机采样过程，仅使用最小的额外学习来生成分割掩码的分布。我们在三种不同
Understanding adversarial attacks on deep learning based medical image analysis systems（2021 PR）
Understanding adversarial attacks on deep learning based medical image analysis systems----《理解基于深度学习的医学图像分析系统的对抗攻击》 背景： 最近的一项研究表明，医学深度学习系统可能会因精心设计的对抗性示例/攻击以及难以察觉的小扰动而受到损害。作者发现医学DNN模型比自然图像模型更容易受到攻击，
Adversarial attacks and defenses on AI in medical imaging informatics: A survey（2022）
Adversarial attacks and defenses on AI in medical imaging informatics: A survey----《AI在医学影像信息学中的对抗性攻击与防御：综述》 背景： 之前的研究表明，人们对医疗DNN及其易受对抗性攻击的脆弱性一直存在疑虑。 摘要： 近年来，医学图像显着改善并促进了多种任务的诊断，包括肺部疾病分类、结节检测、脑
Multimodal Segmentation of Medical Images with Heavily Missing Data
F是mapping function 吐槽 图3太简单了吧。作者未提供代码
Rasa课程、Rasa培训、Rasa面试系列之：Rasa客户案例Circle Medical公司
Rasa课程、Rasa培训、Rasa面试系列之：Rasa客户案例Circle Medical公司 通过上下文 AI 助手简化处方补充 Circle Medical 使用 Rasa 处理超出简单常见问题解答的用户请求 挑战 Circle Medical成立于 2015 年，是一家初级医疗机构，利用技术以更低的成本提供更好的患者体验和结果。其面向患者的 AI 助手可自动执行传统的人工流
【论文阅读笔记】Towards Universal Unsupervised Anomaly Detection in Medical Imaging
Towards Universal Unsupervised Anomaly Detection in Medical Imaging arxiv，19 Jan 2024 【开源】 【核心思想】 本文介绍了一种新的无监督异常检测方法—Reversed Auto-Encoders (RA)，旨在提高医学影像中病理检测的准确性和范围。RA通过生成类似健康的重建图像，能够检测到更广泛的病理类型，这
MedSegDiff： Medical Image Segmentation with Diffusion Probabilistic Model
摘要 Diffusion probabilistic model (DPM) recently becomes one of the hottest topic in computer vision. Its image generation application such as Imagen, Latent Diffusion Models and Stable Diffusion h
MedSegDiff: Medical Image Segmentation withDiffusion Probabilistic Model
MedSegDiff:基于扩散概率模型的医学图像分割 摘要： 扩散概率模型(Diffusion probabilistic model, DPM)是近年来计算机视觉研究的热点之一。它在Imagen、Latent Diffusion Models和Stable Diffusion等图像生成应用中表现出了令人印象深刻的生成能力，引起了社区的广泛讨论。最近的许多研究还发现，它在许多其他视觉任务中也很
Multimodal Segmentation of Medical Images with Heavily Missing Data
F是mapping function 吐槽 图3太简单了吧。作者未提供代码
2021巅峰极客逆向medical_app题wp
这题附件是个apk，查看了下dex，解密用的是原生so，直接把so拖入IDA： v3是输入的flag值，ss是加密后的正确值： 先看z4函数： 闻到一股茶的味道； 再看z2和z3函数： 感觉是RC4，等会先验证下： XXTEA的密钥和RC4的密钥都是d： 写脚本解密得到RC4后的flag： 5604b0d49c634d3096cec00593be3b82524b16b28a33b
SEODONG Medical推出创新干眼症治疗仪器，深受海外消费者好评
韩国 釜山--(美国商业资讯)--SEODONG Medical开发出改善眼球健康的创新干眼症治疗仪器，深受国内外用户的好评。 SEODONG Medical的医疗用振动器NURIEYE-5800是专治影响眼球健康的首要原因 –干眼症的医疗器械。 在食品医药品安全处指定的两所大学综合医院，以144名患者为对象进行了关于该产品的临床试验，其安全性及有效性已获得认可。 NURIEYE-5800用