- 博客(784)
- 资源 (12)
- 收藏
- 关注
RSS订阅原创 第九章：如何学习和掌握BI？
本章深入探讨如何系统地学习和掌握商业智能（Business Intelligence，简称BI），为初学者、中级用户和高级从业者提供清晰的学习路径和实用建议。结合前八章对BI核心价值、工作原理、工具技术、实施步骤、挑战、未来趋势及实际案例的介绍，本章将聚焦于BI学习的全面框架，包括基础知识、工具实践、SQL技能、业务场景理解、项目经验以及持续学习的重要性。
2025-11-20 22:21:30
652
3
原创 第八章：BI的实际案例分析
商业智能（BI）行业应用案例分析 本章通过零售和制造业两个典型案例，展示了BI技术在实际业务场景中的应用效果。零售案例中，某连锁超市通过BI分析库存和销售数据，优化促销策略，最终实现库存周转率提升24%，积压成本降低10%。制造业案例中，某汽车企业利用BI结合IoT数据进行预测性维护，使停机时间减少40%，年节约成本3000万元。两个案例均详细介绍了从需求分析、数据准备到系统部署的实施步骤，并突出了国内企业特有的本地化工具选择和数据合规要求。案例证明BI能有效解决行业痛点，提升运营效率，为企业创造显著价值。
2025-11-20 22:06:22
1069
原创 第七章：BI的未来趋势
摘要 商业智能（BI）的未来发展趋势聚焦五大方向： AI与BI融合：通过机器学习、自然语言处理等技术实现自动化洞察与智能决策，提升分析效率，国内厂商正加速AI功能整合。 实时BI普及：依托5G、IoT和流处理技术，支持动态数据监控与快速响应，帮助企业优化运营效率。 嵌入式BI兴起：将分析功能集成至业务系统（如CRM、ERP），降低使用门槛，提升决策便捷性。 数据民主化：通过自助分析工具赋能非技术人员，推动全员数据驱动文化，国内BI工具注重中文适配与权限管理。
2025-11-01 10:08:26
1277
15
原创 第六章：BI的实施与挑战
摘要 本章系统阐述了商业智能（BI）的实施流程与关键挑战。BI实施分为六个核心步骤：需求分析明确业务目标与KPI，数据准备实现多源数据整合，工具选型平衡功能与合规性，系统部署搭建数据仓库与可视化平台，用户培训提升自助分析能力，持续优化确保系统与业务同步。实施过程中面临数据质量、部门孤岛、技术门槛、文化阻力和合规性等主要挑战，需通过ETL工具、自助BI平台、培训计划及合规方案应对。特别强调国内企业需遵循《数据安全法》等法规，选择支持本地化部署的BI工具。案例表明合理实施BI可显著提升决策效率与业务绩效。
2025-11-01 10:00:51
865
12
原创 第五章：BI的工具与技术介绍
摘要 本章系统介绍了商业智能（BI）的工具与技术，重点分析了国内外主流BI工具的特点、应用场景及合规性要求。国际工具如Power BI、Tableau和Qlik系列在可视化与预测分析方面表现突出，而国内工具FineBI、永洪BI和Smartbi则更适应本地化需求。文章详细阐述了BI工具选型的五大核心要素：功能需求、易用性、集成性、成本和合规性，并通过案例说明不同企业的工具选择策略。此外，还介绍了ETL数据集成工具的作用，为读者提供了全面的BI技术选型参考框架。
2025-10-24 06:00:00
899
13
原创 详解 ETL在线任务调度平台 Dispatch PDI及使用
ETL在线任务调度平台是数据仓库和数据处理的核心工具，用于自动化执行数据抽取、转换和加载流程。随着数据量和业务复杂度的增加，传统手动方式已无法满足需求。Dispatch PDI作为基于Pentaho Data Integration的增强型调度系统，通过微服务架构提供任务调度、依赖管理、资源优化和统一监控等功能。其核心优势包括DAG可视化编辑器、动态资源分配、容错恢复机制以及多租户支持。部署时需满足硬件和软件要求，并通过配置文件与API进行任务管理。该平台显著提升了ETL任务的效率和可靠性，适用于企业级数据
2025-10-24 02:00:00
1144
6
原创 kettle Spoon 数据库连接步骤详解
本文详细介绍了Spoon工具的主数据库和源数据库连接步骤，包括主数据库的DB连接配置及测试，以及源数据库的连接设置。
2025-10-15 23:48:53
392
8
原创 kettle Spoon.bat启动报错：could not create the java virtual machine
设置完后，重新执行Spoon.bat启动kettle即可。增加PENTAHO_JAVA_HOME(根据自己实际的jdk目录设置。注意：添加时没有下划线。
2025-10-15 23:46:05
442
3
原创 第四章：BI的应用场景
本章从零售与电商、制造业、金融行业、医疗行业和人力资源五个领域详细解析了BI的应用场景，通过具体案例展示了BI如何通过问题识别、根因分析、趋势预测和优化建议解决行业痛点。关键指标（KPI）为BI应用提供了量化基础，折线图、饼图等可视化工具直观呈现了KPI趋势和重要性。
2025-10-06 08:00:00
1283
19
原创 第三章：BI的底层业务逻辑
本章深入探讨商业智能（Business Intelligence，简称BI）的底层业务逻辑，旨在揭示BI如何通过数据驱动为企业创造价值，并通过结构化的分析框架和关键绩效指标（KPI）支持业务决策。结合前两章对BI核心价值、工作原理和技术架构的介绍，本章将聚焦于BI在业务场景中的实际应用逻辑，详细解析其分析类型、关键指标以及在不同行业中的具体应用。
2025-10-06 05:00:00
504
10
原创 第二章：BI的原理与技术架构
本章将深入探讨商业智能（Business Intelligence，简称BI）的运行原理和技术架构，旨在为初学者提供清晰、系统的理解。结合第一章的基础知识，我们将从BI的工作流程入手，详细解析其技术架构的各个层次，并探讨BI与大数据、人工智能、云计算和物联网等相关技术的关系。
2025-10-04 12:28:42
824
2
原创 第一章：BI的魅力与价值：从概念到实践的全面解析
商业智能（BI）是企业数字化转型的关键工具，通过系统化流程将数据转化为决策支持。本文从BI定义、发展历程、核心价值及应用场景全面解析其作用。BI本质是"数据驱动决策"，涵盖数据收集、清洗、分析到可视化全流程。起源于20世纪60年代，随着技术进步从报表工具发展为融合AI的智能系统。BI通过客观分析、实时监控和效率提升，为企业创造竞争优势。典型案例显示其在零售、制造、金融等行业的应用价值，同时也面临数据质量、技术门槛等挑战，需通过数据治理和培训应对。
2025-10-04 12:25:30
736
2
原创 BI有那么高级吗？一文讲懂BI的概念、原理、应用与未来
商业智能（Business Intelligence）是一套通过技术手段将原始数据转化为可操作洞察的流程、工具和方法的集合。简单来说，BI的目标是帮助企业从海量数据中提取有价值的信息，支持从战略到运营的各类决策。BI不仅限于“报表生成”或“数据可视化”，而是一个涵盖数据收集、清洗、整合、分析、展示和应用的完整体系。BI的核心在于“数据驱动决策”。在传统企业中，决策往往依赖经验或直觉，而BI通过数据分析提供客观依据，让决策更科学、更高效。
2025-09-28 12:50:46
1272
4
原创 说说DICOM医学影像MPR重建技术应用的那些数学基础知识
多平面重建（Multi-Planar Reconstruction, MPR）是医学影像处理中从三维体数据（如CT或MRI生成的DICOM数据）生成任意二维切片图像的关键技术。MPR重建涉及多种数学知识，这些知识在定义平面、坐标变换、投影、插值和图像生成等步骤中发挥核心作用。以下详细说明MPR重建中使用的数学知识，结合公式、概念和应用场景，确保准确性和完整性。
2025-09-20 19:48:47
364
17
原创 LeetCode算法领域的经典题目之“三数之和”和“滑动窗口最大值”问题
本文以LeetCode 15（三数之和）和LeetCode 239（滑动窗口最大值）为核心，基于Python实现暴力解法、优化解法，并扩展到医学影像场景（如LUNA16数据集的3D特征匹配和时间序列CT分析）。本文特别关注算法在医学影像中的挑战（如高维数据、实时性、噪声干扰），提出优化方案，并探讨算法在特征提取、病灶检测和诊断中的扩展应用，为算法学习者和医学影像AI从业者提供理论与实践的全面指导。
2025-09-20 19:28:00
983
8
原创 实践-医学影像AI诊断系统：基于DICOMweb、ViT/U-Net和Orthanc的端到端实现
本文详细阐述如何构建一个端到端的医学影像AI诊断系统，集成DICOMweb获取影像，使用Vision Transformer（ViT）或3D U-Net进行疾病诊断（如肺结节分类或分割），并输出结构化诊断报告。系统基于PyTorch、MONAI、Orthanc和DICOMweb技术栈，通过Docker容器化部署到云端，满足临床实时诊断需求。本文提供完整的理论基础、实现步骤、优化策略及应用场景，适合深度学习从业者和医学影像领域研究者。
2025-09-16 12:57:18
1443
7
原创 医学影像AI应用-实践：使用GAN生成合成DICOM影像的原理与实践
本文深入探讨使用生成对抗网络（GAN）生成合成DICOM影像（如CT、X光、MRI）的原理、实现细节及应用，聚焦于肺部CT影像的生成，解决医学影像数据稀缺问题。结合PyTorch框架和MONAI生态，本文提供详细的Python代码实现、流程图、性能图表和可视化分析，涵盖GAN的理论基础、实践步骤、优化策略及临床应用。本文特别关注医学影像的挑战（如高维数据、噪声复杂性、标注稀缺），提出GAN的优化方案，并探讨生成影像的临床可信度与可解释性分析，适合深度学习从业者和医学影像领域研究者。
2025-09-06 12:18:13
1169
28
原创 医学影像AI应用-实践：使用MONAI实现肺部CT图像分割的原理与实践
本文深入探讨使用MONAI框架实现肺部CT图像分割的原理、实现细节及应用，聚焦于肺结节、肺部组织或病灶区域的精准分割。本文结合PyTorch和MONAI生态，提供详细的Python代码实现、流程图、性能图表和可视化分析，涵盖图像分割的理论基础、实践步骤、优化策略及临床应用。本文特别关注医学影像的挑战（如高维3D数据、类不平衡、标注稀缺），提出MONAI分割模型的优化方案，并探讨可解释性与临床诊断的结合，适合深度学习从业者和医学影像领域研究者。
2025-09-06 12:04:51
1265
12
原创 医学影像AI应用：GAN与扩散模型（DDPM）在影像增强中的原理与实现
本文深入探讨生成对抗网络（GAN）和去噪扩散概率模型（DDPM）在医学影像增强（如图像去噪、超分辨率、模态转换）中的应用，聚焦其原理、实现细节及在医学影像场景中的优化策略。结合PyTorch框架和Hugging Face生态，本文提供详细的Python代码实现、流程图、性能图表和可视化分析，适合深度学习从业者和医学影像领域研究者，涵盖生成模型的理论基础、实践步骤、优化策略及临床应用。本文特别关注医学影像的挑战（如噪声、高维数据、数据稀缺），提出GAN和DDPM的优化方案，并探讨可解释性与临床应用的结合。
2025-09-03 06:00:00
1074
19
原创 医学影像AI应用：多模态学习结合影像与文本（如DICOM元数据）在诊断中的原理与实现
本文深入探讨多模态学习在医学影像诊断中的应用，聚焦于结合影像数据（如CT、MRI、X光）与文本数据（如DICOM元数据、临床报告）的原理、实现细节及优化策略。结合PyTorch框架和Hugging Face生态，本文提供详细的Python代码实现、流程图、性能图表和可视化分析，适合深度学习从业者和医学影像领域研究者学习。本文涵盖多模态学习的理论基础、实践步骤、优化策略及临床应用。本文特别关注医学影像的挑战（如高维数据、模态异构性、数据稀缺），提出多模态模型的优化方案，并探讨可解释性与临床诊断的结合。
2025-09-03 01:00:00
2081
6
原创 医学影像AI应用：YOLO和Faster R-CNN在目标检测中的原理与实现
本文深入探讨YOLO（You Only Look Once）和Faster R-CNN在医学影像目标检测（如肺结节检测、乳腺病灶定位、脑肿瘤检测）中的应用，聚焦其原理、实现细节及在医学影像场景中的优化策略。结合PyTorch框架和Hugging Face生态，本文提供详细的Python代码实现、流程图、性能图表和可视化分析，适合深度学习从业者和医学影像领域研究者，涵盖目标检测的理论基础、实践步骤、优化策略及临床应用。
2025-09-01 06:00:00
2100
30
原创 医学影像AI应用：U-Net和Mask R-CNN在图像分割中的原理与实现
本文深入探讨U-Net和Mask R-CNN在医学影像分割（如肺结节分割、乳腺病灶分割、脑肿瘤分割）中的应用，聚焦其原理、实现细节及在医学影像场景中的优化策略。结合PyTorch框架和Hugging Face生态，本文提供详细的Python代码实现、流程图和可视化分析，适合深度学习从业者和医学影像领域研究者，涵盖图像分割的理论基础、实践步骤、优化策略及临床应用。本文特别关注医学影像的挑战（如高维数据、类不平衡、标注稀缺），提出U-Net和Mask R-CNN的优化方案，并探讨可解释性与临床诊断的结合。
2025-09-01 01:00:00
1280
8
原创 Error creating bean with name ‘redisTemplate‘ defined in class path resource [config/RedisConfig.
摘要：Spring Boot应用启动时出现Redis连接异常，核心错误是"Unable to connect to Redis server:127.0.0.1:6379"和"ERR Client sent AUTH, but no password set"。问题根源在于Redis服务配置与应用程序配置不匹配。
2025-08-28 06:00:00
756
13
原创 java IDEA run/Debug异常：“jdk1.8injava.exe“ CreateProcess error=206, 文件名或扩展名太长
【摘要】在IDEA开发Java项目时，遇到"CreateProcess error=206"异常，这是由于Windows系统对命令行长度限制所致。
2025-08-28 01:00:00
1190
23
原创 云计算在AI大模型训练与优化中的应用：AWS、Azure、Google Cloud在医学影像分类中的实现
本文深入探讨云计算平台（AWS、Azure、Google Cloud）在AI大模型（如Vision Transformer, ViT）训练与优化中的应用，聚焦于医学影像分类任务（如肺结节检测、乳腺癌诊断、脑肿瘤分类）。本文详细讲解AWS SageMaker、Azure Machine Learning、Google Cloud Vertex AI的原理、实现细节及医学影像场景中的应用，结合Hugging Face Transformers和PyTorch框架，适合深度学习从业者和医学影像领域研究者。
2025-08-26 05:00:00
1582
26
原创 大模型部署：AI大模型在医学影像分类中的ONNX、TensorRT和Docker应用
本文深入探讨AI大模型（以Vision Transformer, ViT为例）在医学影像分类（如肺结节检测、乳腺癌诊断、脑肿瘤分类）中的部署技术，聚焦ONNX、TensorRT和Docker的原理、实现细节及应用场景。结合Hugging Face的Transformers库和PyTorch框架，适合深度学习从业者和医学影像领域研究者，涵盖大模型部署的理论基础、实践步骤、优化策略及在医学影像中的实际应用。
2025-08-26 03:00:00
1401
12
原创 高效推理：AI大模型在医学影像分类中的模型量化、剪枝与蒸馏
本文深入探讨AI大模型（以Vision Transformer, ViT为例）在医学影像分类（如肺结节检测、乳腺癌诊断、脑肿瘤分类）中的高效推理技术，聚焦模型量化、剪枝和知识蒸馏的原理、实现细节及应用场景。结合Hugging Face的Transformers库和PyTorch框架，适合深度学习从业者和医学影像领域研究者，涵盖高效推理的理论基础、实践步骤、优化策略及在医学影像中的实际应用。本文特别关注医学影像的挑战（如高召回率需求、计算资源限制），提出高效推理的优化方案，并探讨可解释性与临床应用的结合。
2025-08-22 03:00:00
1367
39
原创 分布式训练与优化：AI大模型在医学影像分类中的高级技术应用
本文深入探讨AI大模型（以Vision Transformer, ViT为例）在医学影像分类（如肺结节检测、乳腺癌诊断、脑肿瘤分类）中的分布式训练与优化技术，涵盖数据并行、模型并行和混合精度训练的原理、实现细节及医学影像应用。结合Hugging Face的Transformers库和PyTorch的分布式训练框架（DistributedDataParallel, DDP），适合深度学习从业者和医学影像领域研究者，涵盖分布式训练的理论基础、实践步骤、优化策略及在医学影像中的实际应用。
2025-08-22 01:00:00
1071
20
原创 大模型训练与优化：分布式训练、高效推理与部署在医学影像中的应用
本文深入探讨AI大模型在医学影像领域的训练、优化与部署技术，聚焦分布式训练（数据并行、模型并行、混合精度训练）、高效推理（模型量化、剪枝、蒸馏）以及部署（ONNX、TensorRT、Docker）等核心技术。结合医学影像分类任务（如肺结节检测、乳腺癌诊断、脑肿瘤分类），本文从理论原理到代码实现，全面讲解如何在大规模医学影像数据集上训练和优化Vision Transformer (ViT)模型，并通过云计算平台实现高效部署。本文特别关注医学影像的挑战，提出优化策略，并展望大模型在临床诊断中的前景。
2025-08-20 06:00:00
1709
20
原创 详解AI大模型高级技术与医学影像应用
本文深入探讨AI大模型（以Vision Transformer，ViT为代表）在医学影像领域的核心技术与应用，涵盖模型训练、优化策略及实际部署的全流程。通过Hugging Face Transformers库实现医学影像分类（如肺结节检测、乳腺癌诊断、脑肿瘤分类），结合决策树和随机森林增强可解释性，内容从理论原理到代码实现、优化方法、可视化分析和开源社区参与。本文特别关注医学影像的挑战，提出实用解决方案，并为研究者、开发者提供理论与实践参考，同时指导如何参与开源社区以积累项目经验。
2025-08-20 01:00:00
1166
13
原创 AI大模型基础实践：微调BERT模型处理医学文本数据：原理、实现与应用
本文深入探讨如何使用Hugging Face的Transformers库微调BERT模型，处理医学影像中的文本数据（如DICOM元数据的自然语言处理），并结合医学影像分类任务（如肺结节检测、乳腺癌诊断、脑肿瘤分类），实现从文本到诊断的端到端辅助系统。内容涵盖BERT的原理、预处理流程、模型微调、推理与评估，辅以详细的代码、流程图。本文特别关注医学文本的挑战（如专业术语、数据稀缺），提出优化策略，并结合决策树和随机森林增强可解释性，展望多模态融合应用，适合自然语言处理（NLP）和医学影像领域的从业者。
2025-08-18 06:00:00
1166
28
原创 AI大模型实践：基于Hugging Face Transformers的Vision Transformer (ViT) 医学影像分类
本文深入探讨如何使用Hugging Face的Transformers库加载预训练Vision Transformer (ViT)模型，应用于医学影像分类任务（如肺结节检测、乳腺癌诊断、脑肿瘤分类），并结合决策树和随机森林方法，全面覆盖原理、实现细节和应用场景。内容将从基础理论到代码实现、优化策略和可视化分析，辅以流程图，易于理解，适合深度学习初学者和医学影像领域的实践者。
2025-08-18 01:30:00
4698
8
原创 AI大模型实践项目：医学影像分类器（肺结节检测）
本文介绍了一个基于深度学习的肺结节检测分类器项目，利用CNN、ViT和多模态方法处理3D CT影像数据。项目采用LUNA16数据集，通过PyTorch和MONAI框架实现3D数据处理，结合联邦学习保护隐私。关键技术包括CNN的局部特征提取、ViT的全局建模能力，以及受Med-PaLM启发的多模态融合方法。文章详细阐述了数据预处理、模型实现和评估指标（如召回率、ROC曲线），并探讨了医学影像分类面临的挑战（数据稀缺、高召回需求等）。该项目旨在辅助肺癌早期诊断，同时提供可解释性分析和隐私保护方案。
2025-08-16 06:00:00
1723
60
原创 AI 大模型基础：医学影像大模型（Med-PaLM、CheXNet）的原理、实现与应用（二）
医学影像大模型：Med-PaLM与CheXNet的技术解析 本文深入探讨了医学影像AI领域的两个代表性模型。Med-PaLM作为多模态模型，创新性地结合Vision Transformer（ViT）和语言模型（BERT），通过跨模态注意力机制实现影像-文本的联合分析，适用于综合诊断和报告生成。CheXNet则基于改进的DenseNet-121架构，专注于胸部X光片的疾病分类。文章详细剖析了ViT的自注意力机制数学原理、多模态融合策略，并提供了基于CheXpert数据集的代码实现。同时对比了两类模型的优缺点。
2025-08-16 02:00:00
1602
35
原创 AI大模型基础：医学影像大模型（Med-PaLM、CheXNet等）的原理、实现与应用
医学影像大模型是人工智能在医疗领域的关键技术，通过处理高维影像数据（如X光、CT、MRI），实现疾病诊断、病灶分割等任务。本文将深入讲解两种典型医学影像大模型——**Med-PaLM**（多模态语言-影像模型）和**CheXNet**（基于CNN的胸部X光模型）的原理、实现方法及应用，适合对医学影像AI感兴趣的读者。
2025-08-14 03:00:00
1444
18
原创 AI大模型基础：预训练与微调（迁移学习与微调策略）
预训练与微调是现代AI大模型（如BERT、GPT、ViT）的核心技术，基于迁移学习范式，通过在大规模数据集上预训练模型并在特定任务上微调，显著提升性能和效率。本文将深入讲解预训练与微调的原理、实现方法及在实际场景中的应用，适合对AI大模型感兴趣的读者。
2025-08-14 01:00:00
6199
16
原创 AI大模型基础：BERT、GPT、Vision Transformer（ViT）的原理、实现与应用
AI大模型基础：BERT、GPT、Vision Transformer（ViT）概述 本文介绍了三种主流AI大模型的基础原理与应用。BERT是基于双向Transformer的编码器模型，通过掩码语言建模和下一句预测任务进行预训练，擅长文本理解任务如分类和问答。GPT是单向Transformer解码器模型，专精文本生成任务。Vision Transformer（ViT）将Transformer结构应用于计算机视觉，通过图像分块处理实现高效的图像分类。文章详细解析了各模型的原理架构、数学基础和优缺点等
2025-08-12 12:58:18
1079
21
原创 LeetCode算法领域经典入门题目之“Two Sum”问题
LeetCode的“Two Sum”问题是算法领域的经典入门题目，要求在数组中找到两个数的和等于目标值的索引。它的核心思想在医学影像AI中有着广泛应用，例如在特征匹配、像素值配对或数据预处理中寻找特定组合。本文以“Two Sum”为基础，结合医学影像AI场景（如DICOM影像的像素值配对或特征向量的和匹配），提供详细的Python实现，涵盖暴力解法、哈希表优化解法和扩展到3D影像的变体实现。内容包括问题描述、解题原理、代码实现、复杂度分析、优化策略、Mermaid流程图等
2025-08-12 12:48:44
1082
7
原创 AI 大模型基础：Transformer 架构 - 原理、实现及在医学文本分类中的应用
本文提出基于Transformer的医学文本分类框架，通过以下步骤实现高效分类：数据预处理：对医学文本进行清洗、分词和向量化模型构建：采用Transformer编码器结构，包含自注意力层和前馈网络训练优化：使用交叉熵损失函数和Adam优化器进行模型训练分类预测：输出层使用softmax函数预测疾病类别实验结果表明，该模型在医学文本分类任务中准确率可达92.3%，显著优于传统RNN模型。Transformer的自注意力机制能有效捕捉医学文本中的长距离依赖关系，特别适合处理复杂的医学术语和上下文关系。
2025-08-08 06:00:00
550
24
原创 深度学习实践：基于 LSTM 的时间序列肺炎检测
本文介绍了一个基于LSTM的深度学习模型，用于通过呼吸频率时间序列数据检测肺炎。作者使用PyTorch框架构建了一个包含2层LSTM和2个全连接层的神经网络，对模拟的呼吸频率数据进行二分类（正常/肺炎）。文章详细阐述了数据预处理流程，包括数据模拟生成、标准化处理和数据集划分，并提供了可视化图表展示数据分布。该模型针对呼吸序列的长期依赖关系进行优化，通过批处理和正则化技术提高泛化能力。实现代码注释详尽，适合不同水平的开发者学习参考，为解决肺炎早期检测问题提供了一种可行的技术方案。
2025-08-08 01:00:00
1931
35
java+redis+Redis-x64-5.0.14+解决java redis异常问题
2025-08-21
DICOM文件+DX放射平片-数字X射线图像DICOM测试文件
2024-11-13
DICOM序列MR核磁图像文件-测试图像
2024-11-13
DICOM完整序列图像文件+CT胸部(CHEST)薄层序列图像文件
2024-11-12
DICOM图像文件文件+乳腺钼靶图像+MG乳腺图像
2024-11-12
Postman-win64测试工具、Postman-win64 测试工具安装包、webApi测试工具
2024-10-21
qt-windows-5.14.2安装包，qt-opensource-windows-x86-5.14.2安装包百度网盘地址
2024-10-09
基于c# .Net Winform窗体的SQLite数据库应用实现简单的学生管理系统源码
2024-08-24
VS2017中出现致命错误 RC1015: 无法打开包含文件 'afxres.h' 问题
2018-10-09
qedit.h头文件下载-directshow中qedit库文件
2020-04-16
oracle官方64位客户端-instantclient-basic-windows.x64-11.2.0.4.0.zip
2019-07-24
TA创建的收藏夹 TA关注的收藏夹
TA关注的人