当使用体积图像进行深度学习时，标记数据是一个很大的挑战。 在放射治疗领域，从CT图像中，提取人体、器官、GTV等各个区域作为区域数据，并存储在DICOM RT的RT-Structure中。 这些数据主要用于计划治疗，但我们也可以使用它们作为标签数据来加速深度学习工作流程。 通过此演示，您可以了解如何将 RT-Structure 数据转换为标签数据，并使用它们在 MATLAB 上训练 3D UNet（语义分割）模型。
[日本人]医学图像 3D 深度学习的主要挑战是标记复杂且耗时。在放射治疗领域，人体、器官、肿瘤等被定义为所拍摄的 CT 图像的区域，并由 DICOM RT 的 RT-Structure 管理。这些是为治疗计划而创建的，但提取的区域数据也可以用作深度学习的标签。在此演示中，您可以转换 RT-Structure 数据以用于深度学习并学习流程，直到将其用于学习 3D UNet。
2023-01-13 11:10:12
2.37MB
1
带有pyqt5界面，模型，操作说明，有大量代码注释。图像分割。
该项目代码可供参考学习，里面有很多自定义修改的地方，界面挺好!
适合深度学习初学者、或者正在做毕设的学生和需要项目实战AI算法工程师，学习借鉴。
2022-12-06 17:26:33
217MB
unet 训练结果 image-segmentation-keras-master
2022-11-28 12:25:39
667.02MB
1
UNet模型医学视网膜血管2015年到最近的英文文献和源码统计
包括unet和unet变体源码文献r2unet和cenet和unet3+和3dunet和segnet和unet2和nnunet和Vnet源码等等以及注意力机制
可以复现到别的医学领域
视网膜数据集之前资源里有
2022-10-19 21:05:35
999MB
1