STM32CubeF4 MCU固件包 STM32Cube是意法半导体的一项原始计划，旨在通过减少工作量，减少时间和降低成本来减轻开发人员的生活。 STM32Cube涵盖了整个STM32产品组合。 它包括为每个STM32系列提供的全面的嵌入式软件平台。 与此STM32产品中实现的ARM（tm）内核相对应的CMSIS模块（内核和设备）。 STM32 HAL-LL驱动程序是一个抽象层，提供了一组API，可确保在STM32产品组合中实现最大的可移植性。 为此STM32系列提供的每个评估，演示或核电路板的BSP驱动程序。 一套一致的中间件库，例如RTOS，USB，FatFS，图形，触摸感应库... 为该STM32系列提供的每块板的全套软件项目（基本示例，应用和演示）。 STM32CubeF4 MCU封装项目直接在STM32F4系列板上运行。 您可以在每个Projects / Boar

正电子发射断层扫描仪(Positron Emission Tomography, PET)是当前医学界公认的肿瘤、心脏、脑等疾病诊断与病理生理研究的重要方法。随着核医学影像设备的广泛应用和计算机技术的迅速发展，图像重建方法作为PET成像的一个关键环节，其研究工作也越发受到重视。 PET探测器检测注入人体的示踪剂在湮灭辐射过程中产生的射线，经过符合采集系统处理形成投影线，以SINO的方式存放于计算机硬盘中[1]。计算机调用图像重建模块，生成人体断层图像。目前，PET图像基础重建算法主要包括解析法和迭代法。 1. 解析法 解析法是以中心切片定理为基础的反投影方法，常用的是滤波反投影法(Filtered Back-Projection, FBP)。在FBP中，图像重建主要包含两个步骤：反投影和滤波。 我们在初中就已经学过投影与反投影的概念，从不同角度观察物体可以得到不同的信息，当我们从多种不同角度获取物体的投影，可以反向推出这个物体真实的形态。 图1 光线将物体的形状投射到一个平面称为投影 在成像原理上，PET和CT略有差异。CT是投射成像，X射线旋转360°，采集被扫描物体不

稀疏角度CT生成python脚本（astra工具包）（可直接运行） 相对于MR，CT在参数及扫描方面并不是太难，但是CT的图像重建及各种算法则是非常难的，也是比较抽象的。这篇文章介绍CT图像重建算法等相关内容。 CT技术是CT诊断的基础，帮助医务工作者充分掌握CT技术是我们的责任和义务！ CT基础知识 Image Reconstruction Method 图像重建算法 在上一期内容CT原理1中,我们主要介绍了X线与物质的作用,也就是X线的衰减是如何发生的,正是由于这种衰减的存在,X线才可以被用于CT成像,那么探测器获得的衰减信号最终是如何被转换成CT图像的呢?这就涉及到图像的重建算法了,所以今天我们接着X线的衰减,继续介绍CT图像重建的原理。 1 重建算法的分类 CT重建算法共有3类,如下图。 (1)反投影法 (2)迭代重建算法 (3)解析法:包括滤波反投影法和傅里叶变换法 其中(3)解析法中的A滤波反投影法是在(1)反投影法的基础上发展起来的,通过加入滤波函数解决了图像锐利度的问题,如下图,没有加入滤波函数(Filter Function)时重建的图

将npy文件转化为jpg或者png的python脚本（可直接运行）

GoogLeNet是2014年Christian Szegedy提出的一种全新的深度学习结构，在这之前的AlexNet、VGG等结构都是通过增大网络的深度（层数）来获得更好的训练效果，但层数的增加会带来很多负作用，比如overfit、梯度消失、梯度爆炸等。inception的提出则从另一种角度来提升训练结果：能更高效的利用计算资源，在相同的计算量下能提取到更多的特征，从而提升训练结果。 外文名GoogLeNet类 型神经网络 结构介绍 inception模块的基本机构如图1，整个inception结构就是由多个这样的inception模块串联起来的。inception结构的主要贡献有两个：一是使用1x1的卷积来进行升降维；二是在多个尺寸上同时进行卷积再聚合。 图1 图1 1x1卷积 作用1：在相同尺寸的感受野中叠加更多的卷积，能提取到更丰富的特征。这个观点来自于Network in Network，图1里三个1x1卷积都起到了该作用。 图2 图2 图2左侧是是传统的卷积层结构（线性卷积），在一个尺度上只有一次卷积；图2右图是Network in Network结构（NIN结构），

将jpg或者png文件转换为h5文件的源码，python文件（可直接运行）

本算法包含了matlab的爱心的画法，快去给女神表白吧！ love1 clear;clc b=0:0.01*pi:2*pi; a=2; r=a*(1-sin(b)); h=polarplot(b,r,'r'); box on set(h,'LineWidth',3); title({'公式1';'笛卡尔表白：p=a(1-sin(\theta))'}); love2 clear;clc a=ezplot('x^2-abs(x)*y+y^2-15'); axis square grid on set(a,'color','r','LineWidth',3); title({'公式2';'x^2-|x|y+y^2-15=0'}); love3 clear;clc f=@(x,y,z)(x.^2+2.*y.^2+z.^2-1).^3-x.^2.*z.^3-0.1.*y.^2.*z.^3; [x,y,z]=meshgrid(linspace(-3,3)); val=f(x,y,z); [p,v]=isosurface(x,y,z,val,0);

二叉搜索树的完整代码，打开就可以运行

该算法可以实现深度学习去除各类图像中的伪影。Unet 发表于 2015 年，属于 FCN 的一种变体。Unet 的初衷是为了解决生物医学图像的问题，由于效果确实很好后来也被广泛的应用在语义分割的各个方向，如卫星图像分割，工业瑕疵检测等。 Unet 跟 FCN 都是 Encoder-Decoder 结构，结构简单但很有效。 Encoder 负责特征提取，可以将各种特征提取网络放在这个位置。 Decoder 恢复原始分辨率，该过程比较关键的步骤就是 upsampling 与 skip-connection。 Unet主要可分为三部分来看分别为左（特征提取），中（拼接），右（上采样） 特征提取部分：它是一个收缩网络，通过四个下采样，使图片尺寸减小，在这不断下采样的过程中，特征提取到的是浅层信息。具体过程是，输入图片然后经过两个卷积核（3x3后面紧跟着一个Relu）以论文原图为例：输入572x572，经过两个卷积核（大小为3x3）大小从572-570-568，然后经过一个Maxpool（2x2）图片尺寸变为284这即为一个完整的下采样，接下来三个也是如此。在下采样的过程中，

SIRT算法其思想在于利用通过该像素的全部射线，其迭代过程对图像每个像素的更新量是对所有投影线的修正按照贡献因子取加权平均，然后反投影得到。与ART每条投影线都对图像更新一次不同，SIRT算法综合了所有投影线的贡献，可以避免一条投影线上的误差对重建结果带来过大影响，因而可以有效抑制重建图像中的噪声。 2、算法实现步骤 （1）对第 条射线，计算估计投影值 （2）计算实际投影与估计投影的误差 （3）反投影值 其中， 是所有投影角度下光线的集合. （4）对第 个像素点的值进行修正 （5）将上一轮的结果作为初值，重复（1）~（4）的过程，直到达到收敛要求或指定的迭代次数。 因此，SIRT算法的迭代公式为： 其中， 是松弛因子， 是迭代次数。 3、优缺点分析 由于SIRT算法对所有投影线的修正量进行了加权平均，显著地降低了迭代的收敛速度。另一方面，对每个像素更新时，需要计算好所有投影线的贡献，因此在实际计算中需要对各个投影线的贡献量进行存储，存储量至少比ART算法多一倍。因此，SIRT算法具有更好的稳定性，但是收敛速度慢、存储容量大，此两点成为影响其应用的主要问题。