钱多多先森

医学领域进行数据处理的DICOM、.nii、.npy、.mha、.npz，jpeg、png等格式。

DICOM 数据格式转换，遵循一定的转换标准。如何将-1000到1000的hu值，转换到0-255的像素空间，本文主要对这部分进行介绍

Dicom数据存储格式，是医学领域通用的数据传输形式，本文将围绕dicom与医学算法展开

nii文件格式，在对医疗数据处理的过程中，无处不在，是一个最最经常会遇到的。了解和操作nii文件，对其中可能遇到的问题有一些基础的了解，至关重要。但是，现在我更喜欢nrrd文件了，不知道你是否知道nrrd文件。

xml文件的学习记录，对xml文件的格式和操作方式有个深入的了解

深度学习中 Pytorch 框架的 3D 图像分割项目，项目背景为CT 肺部结节医学影像的分割任务，使用到的数据集是LIDC-IDRI，相信参考本文会对你在这个领域的任务有个较为深入的了解

深度学习Pytorch 的3D医学影像分割任务，本文对基础数据读取类进行了构建。从中掌握数据构建的方法，以及在该方法下发现的问题，以供下一步改进

3D UNet 模型的搭建，提供了思路，帮助你快速而全面的了解该模型，并通过预测试方式，了解模型情况

对上一篇数据流存在的问题进行分析和解决，构建新的数据形式，和可视化方法

对训练过程进行了整体的梳理，和对其中缺失的模型进行了补全。通过本篇文章，可以快速的将模型和数据部分串联成一个整体

对lidc-idri数据的预处理。尽管之前已经告知了一种处理方式，本文将采用更加易于理解的方式，对这部分数据进行处理

luna16数据预处理的第二部分，到这部分也就完成了我们的设定的目标，得到了我们预先想要得到的数据

CT肺实质分割的方法汇总，对目前主流的肺实质分割方法进行了介绍和演示，相信通过本文，你能够快速的动手实践

3D目标分割任务中的常用操作，patch裁剪和对裁剪后的patch进行组合。尤其是本系列VNet的推理inference阶段，强烈推荐

单个裁剪patch的预测是简单的，而本文将从crop和merge两个阶段，在预测推理中并到一起，更加的简洁明了

敏感度和平均一个检查有多少假阳性，是实际使用中，比dice系数更有代表性的指标。本文就对这一指标进行评估，完整介绍其中的每一步细节

3D分割数据规范化处理学习记录

深度学习2维到3维分类任务详解，包括数据、网络、训练和评估。通过本文的学习，对3维数据的处理，可视化和模型构建均有较为深入的理解

深度学习3D分类的视线，本文主要对数据流部分进行整理，函数名GetLoader。通过本文的学习，相信你就可以开始动手进行实践了。

PKL文件转储，便于后续分类数据的整理

多人背靠背标注后，对标注结果进行汇总统计处理

monai库在医学影像中的应用进行介绍，同时进行可视化与增强操作

一个训练和评估的案例，包括了训练全部代码，可以直接参考

BraTS2015数据官方网址：http://www.braintumorsegmentation.org/下载地址：https://aistudio.baidu.com/aistudio/datasetdetail/26367

1、复线unet2、构建训练数据流3、浅谈思路

构建训练的数据读取流

UNet中常用损失函数的品析，包括Dice loss和Focal Loss

本文作为一个项目调研笔记，方便更多需要的人可以参考。如果万幸你也在做同样的项目，那直接借鉴就可以了

Hog+SVM实现对特征的抽取，和类别分类

基于kaggle气胸X光比赛原始数据，对RLE气胸标注标签转储mask图和json标注可读文件，JPEG胸片图像。公开代码基于python，可用于后续的分类、检测、分割等等任务数据输入

1.准备工作GitHub地址：https://github.com/PaddlePaddle/PaddleOCR1.QUICK INSTALLATION：https://github.com/PaddlePaddle/PaddleOCR/blob/release/2.2/doc/doc_en/installation_en.md2.Quick start of Chinese OCR model:https://github.com/PaddlePaddle/PaddleOCR/blob/rel