u014264373的博客

原创 在3D Slicer中使用 Monai Bundle 和 Model Zoo 标注医学影像数据-全身CT器官分割

MONAIModel Zoo提供了一系列由社区开发的医学影像模型，采用格式。Monai Bundle 允许您轻松获取任何来自 MONAI Model Zoo 的模型并将其导入 MONAILabel。Model Zoo提供的模型包括MRI脑肿瘤分割，CT肺结节检测，病理细胞核分割分类，CT胰腺分割，MRI前列腺分割，CT肾脏分割，CT脾脏分割，MRI脑切片生成等20几个模型。后面会用单独的篇幅分别介绍这些预训练模型的使用。

原创 在3D Slicer中使用 Monai Bundle 和 Model Zoo 标注医学影像数据-CT肺结节检测

MONAIModel Zoo提供了一系列由社区开发的医学影像模型，采用格式。Monai Bundle 允许您轻松获取任何来自 MONAI Model Zoo 的模型并将其导入 MONAILabel。Model Zoo提供的模型包括MRI脑肿瘤分割，CT肺结节检测，病理细胞核分割分类，CT胰腺分割，MRI前列腺分割，CT肾脏分割，CT脾脏分割，MRI脑切片生成等20几个模型。后面会用单独的篇幅分别介绍这些预训练模型的使用。

原创 MONAILabel in 3D Slicer 案例1: 在腹部CT中自动分割脾脏

MONAILabel in 3D Slicer 案例1: 在腹部CT中自动分割脾脏。

原创 在3D slicer中使用MONAI Label 辅助标注提升标注速度-安装教程

CNN 是一种深度神经网络，是 3D Slicer 可用的深度学习图像分割工具背后的强大力量。虽然我们不会在本文中重新讨论 CNN 的细节，但 3D Slicer 的 MONAILabel 插件可以轻松实现多种不同的 CNN 网络结构来分割生物医学图像。我们将使用这些CNN模型作为即插即用模型，感兴趣的临床医生可以在其工作流程中根据需要使用这些模型，以便在想要分割图像时节省大量时间。

原创 使用 Monai Bundle 和 Model Zoo 对医学影像数据进行分类-全脑133个结构分割

MONAIModel Zoo提供了一系列由社区开发的医学影像模型，采用格式。Monai Bundle 允许您轻松获取任何来自 MONAI Model Zoo 的模型并将其导入 MONAILabel。Model Zoo提供的模型包括MRI脑肿瘤分割，CT肺结节检测，病理细胞核分割分类，CT胰腺分割，MRI前列腺分割，CT肾脏分割，CT脾脏分割，MRI脑切片生成等20几个模型。后面会用单独的篇幅分别介绍这些预训练模型的使用。

原创 成功解决 pycaret 中 ImportError: cannot import name ‘_format_load_msg‘

参考：https://github.com/crate/cratedb-examples/pull/401。发生标题错误，只需要将Joblib 1.4 版本降级至 1.3。我的pycaret 版本：3.0。

原创 保障医学诊断安全性：探索对抗性攻击评估医学图像分析模型的重要性

通过在输入图像中人为引入视觉上无法察觉的扰动使得模型以高置信度给出错误的输出。

原创 适合所有人的生成式人工智能-ChatGPT背后的AI技术

第二个例子，可能是我曾经工作过的一些公司最赚钱的应用，尽管不是最激动人心的，但对一些公司来说非常有利的在线广告，通过给定一则广告和有关用户的一些信息，人工智能系统可以生成与您是否点击该广告相关的输出B。给定一个输入，比如“I love eating”，这被称为prompt(提示词），LLM可以用“可能是带奶油芝士的百吉饼”来完成这个句子，或者如果你再运行它一次，它可能会说“我妈妈的肉l”，或者如果你再运行它第三次，也许它会说“和朋友一起”。在这个视频中，我们将深入探讨生成式人工智能技术的底层原理，

原创 适合所有人的生成式人工智能-学习先导课

它在未来十年内可能使全球GDP增长7％，而OpenAI和宾夕法尼亚大学的一项研究估计，它可能影响美国80％以上的工人每天进行的工作或任务的10％。同样的研究还估计，有20％的工人的工作或任务受生成式人工智能影响超过50％。在本课程中，我们将多次涉及的一点是，生成式人工智能可能使你的业务能够以更低的成本构建非常有价值的人工智能应用程序，并且你将学到识别和探索此类应用程序在给定业务中是否有用的最佳实践。在这门课程中，你将了解生成式人工智能是什么，它能做什么，不能做什么，以及如何在自己的工作或业务中使用它。

原创 使用Copilot辅助编程：我如何减少加班并提高工作效率

GitHub Copilot是GitHub推出的一种基于AI编程助手，旨在通过自动完成代码、生成代码片段等功能，帮助开发者提高编程效率。它能够理解编程语言和自然语言，从而在开发过程中提供实时的支持和建议。

原创 AI技术在医疗应用中如何从诊断跨越到治疗？

AI医疗设备的落地需要不断地迭代升级和提升效率，以适应复杂的临床环境。本文将探讨如何在保障高效和准确的同时，满足实时处理，低延迟和可扩展的需求。

原创 快速查看linux系统的版本号

uname -a。

原创 扫盲：如何提升医学图像分割性能-to do list

我不会对细分的基本原理进行简单介绍，但我会对其进行初步介绍分割是根据类别将图像分成不同的部分。在一般情况下，分割算法会考虑这个像素是否应该属于哪个类别，并因此给它分配一个类别。大多数情况下，分割分为 3 类：语义分割 | 实例分割 | 全景分割关于分割类型可以查看我之前的文章【添加链接】语义分割实例分割全景分割一些分割架构具有特殊的编码器-解码器结构，它们是架构的基本组成部分。编码器负责从输入图像中提取特征并缩小其空间尺寸。解码器的目的是从编码器获得的抽象特征中重建分割输出。

原创 OpenAI春季发布会，全新多模态GPT-4o震撼发布，还免费，抢先体验

OpenAI春季发布会，全新多模态GPT-4o震撼发布，还免费，抢先体验！重要看点：5 月 14 日凌晨，OpenAI 在首次「春季新品发布会」, 隆重推出GPT-4o，新旗舰模型，可以实时跨音频、视觉和文本进行推理。并在 ChatGPT 中免费提供更多功能GPT-4o 是我们突破深度学习界限的最新一步，这一次是朝着实用可用性的方向发展。在过去的两年里，我们花了很多精力来提高堆栈每一层的效率。作为这项研究的第一个成果，我们能够更广泛地提供 GPT-4 级别的模型。

原创 扫盲：医学图像分割类型和应用

图像分割是从医学图像和视频中分离出感兴趣区域（ROI）的技术。它是标注和标记数据的关键步骤，而标注和标记数据是训练用于医疗诊断的计算机视觉模型（CV、AI、ML 等）所必需的。图像分割可应用于各种类型的医学图像，如 DICOM 和 NIfTI 图像、CT 扫描、X 射线和 MRI 图像。它可以帮助你识别和隔离图像中的对象和区域。图像分割的方法有很多，从传统方法到基于深度学习的方法都有。所有这些方法都需要很高的准确性和精确度，因为注释或模型建立阶段的任何错误都会对患者、治疗和医疗服务提供者造成严重影响。

原创 史上最多标签分类挑战赛-分类胸部X光片45个病变，包括罕见病。旨在解决长尾，多标签，零样本分类问题

胸部X线摄影，像许多诊断性医学检查一样，产生了临床发现的长尾分布(long-tailed)；虽然一小部分疾病经常被常规观察到，但绝大多数疾病相对罕见。这对标准的深度学习方法构成了挑战，这些方法表现出对最常见类别的偏见，以牺牲重要但罕见的“尾部”类别为代价。许多现有的方法已被提出来解决这种特定的不平衡问题，尽管直到最近才有人关注长尾医学图像识别问题。胸部X线(CXRs)的诊断也是一个多标签(multi-label)问题，因为患者通常同时表现出多种疾病发现；然而，只有少数研究将标签共现的知识纳入学习过程。

原创 文献分享：医学影像基础模型在脑肿瘤辅助诊断中的应用：一项试点研究

目的：建立全脑多对比 MRI 自监督基础模型，并评估其在辅助诊断脑肿瘤方面的性能。方法：在这项回顾性研究中，通过自监督学习，利用 57,621 个增强型头部磁共振成像扫描结果开发了基础模型，其辅助任务是交叉对比语境恢复，并采用了两种不同的内容遮罩方案（dropout schemes）。在预训练基础模型的基础上构建了下游分类器，并针对脑肿瘤检测、鉴别和分子状态预测进行了微调。准确率、灵敏度、特异性和 ROC 曲线下面积（AUC）等指标用于评估性能。结果。

原创 ChatGPT/GPT4 科研实战教程-包括论文写作、数据分析、科研绘图、PPT制作，程序开发

ChatGPT，尤其是GPT4等大语言模型应该是每个科研人必备的工具。通过文字+视频+PPT的形式，PPT可在文未获取，带您深度实践使用chatGPT,GPT4，copilot,fittencode这些高级科研工具，10倍提升你的论文写作和数据分析能力，尤其是编程能力。

原创 python版：使用TotalSegmentator工具可在1分钟内自动分割全身117个器官，附批量技巧

用于对 CT 图像中超过 117 个类别进行分割的工具。它接受了各种不同 CT 图像（不同扫描仪、机构、协议等）的训练，因此应该适用于大多数图像。大部分训练数据集可以从Zenodo下载（1228 个主题）。您还可以在totalsegmentator.com上在线试用该工具。是在大型数据集上使用nnUNet V2训练的一个AI模型，可以在CT数据上自动分割全身117个器官（见文末）！同时还可以分割部分血管，脑出血，胸腔积液等（后面会介绍）。

原创 monai入门框架-ppt

原创 首个中文数字放射科医生问世：天坛医院与北京理工大学联合打造的医学影像大模型取得突破性进展

首个中文数字放射科医生问世：天坛医院与北京理工大学联合打造的医学影像大模型取得突破性进展首都医科大学附属北京(以下简称:天坛医院)放射科刘亚欧教授团队联合张美慧教授、叶初阳教授团队合作推出了全球首个专为医学影像诊断而设计和构建的人工智能大语言模型(LLM)，基于该模型而生的全球首个中文数字放射科医生被研发团队亲切地成为**“小君”**。龙影大模型的核心功能为通过分析MRI图像的描述，快速生成诊断意见，即**“图像描述—诊断结论”95%**。

原创 顶刊 Radiology2023 Top10文章排行榜发布：ChatGPT霸占5席！医学前沿必读

2023年是《Radiology》创刊100周年。我们遵循着David Bluemke博士的传统，定期公布我们杂志的前十名文章榜单。这些榜单分别根据文章的引用次数、下载次数以及Altmetric评分来排名。每个榜单公布前10名文章令人惊讶的是，结合ChatGPT的文章竟然霸占榜首，我们一起来看看~

原创 欧放ER-2024年1月 AI论文速递

在本文中，为大家整理了 ER 2024年1月最新接收论文(本期一共接收 56 篇，其中AI 10篇左右)。可以说ER是每个放射人梦中情刊，因为比起它大哥Radiology来讲，命中率会高很多。所以每期认真读，学习它，模仿它，发表它！

原创 医疗AI发展的三个时代是什么？

基础模型和生成式人工智能代表了人工智能能力的一场重大革命，为改善医疗保健提供了巨大的潜力。如今，医疗保健领导者正在就人工智能做出决策。虽然任何启发式方法都会忽略细节并失去细微差别，但 AI 1.0、2.0 和 3.0 的框架可能对决策者有所帮助，因为每个时代都有着根本不同的能力和风险。

原创 MedSAM in 3D Slicer: 分割一切医学图像

这是 MedSAM 的官方 3D Slicer 插件存储库，可用于在医学图像中分割任何物体。什么是MedSAM:点击查看这篇文章【添加文章】查看分割演示👇添加视频文中涉及到的视频前往VX查看到这里各位学会了吗😜这可能是目前唯一一个教程Tina姐没有实践就发出来的（在老家无法连接服务器）。没关系，我们提供了文字+视频版教程，相信聪明的你一定可以！文章持续更新，可以关注微公【医学图像人工智能实战营】获取最新动态，一个关注于医学图像处理领域前沿科技的公众号。坚持以实践为主，手把手带你做项目，打比赛，写论文。

原创 SCI 1区论文：Segment anything in medical images（MedSAM）[文献阅读]

医学图像分割是临床实践中的一个关键组成部分，有助于准确诊断、治疗计划和疾病监测。然而，现有的方法通常针对特定的模式或疾病类型，在各种医学图像分割任务中缺乏可推广性。在这里，我们介绍了MedSAM，这是一个基础模型，旨在通过实现通用医学图像分割来弥合这一差距。该模型是在大型医学图像数据集上开发的，有1570263对图像-掩码对，涵盖10种成像模式和30多种癌症类型。我们对86个内部验证任务和60个外部验证任务进行了全面评估，证明了比模态专家模型更好的准确性和稳健性。

原创 快准狠！在3D Slicer中，使用TotalSegmentator扩展可在1分钟内自动分割全身117个器官

本系列涵盖从 3D Slicer 医学图像查看器的基础使用到高级自动分割扩展程序的内容（从入门到高阶！），具体包括软件安装、基础使用教程，自动分割扩展（totalsegmentator, monai label）快速标注数据。：强烈建议做图像分割的宝宝们好好学习，跟着Tina姐涨姿势！如果对你有帮助，转发支持一下🖖这是该系列的第二篇，在这篇博文中，我们将从3D Slicer下载一些示例数据，并使用自动分割扩展从图像中分割目标。将重点介绍扩展。

原创 3D Slicer-最强大的开源医学图像分割工具简要概述

3D Slicer 是一个免费的开源软件平台，用于医学、生物医学和其他 3D 图像的可视化、处理、分割、配准和分析。读/写DICOM图像和多种其他格式；三维图像、多边形网格和体积渲染的交互式可视化；手动编辑和标记图像；使用刚性和非刚性算法融合和共同配准数据；图像自动分割；跟踪图像引导程序的设备。所有的功能模块可在工具栏里找到，提供搜索，下拉选择，左右切换等功能。3D slicer的大概情况就介绍到这里。它的功能非常强大，也没有必要说掌握每个功能的使用。

原创 最新！2023全球学者学术影响力排名：沈定刚教授居生物医学工程全国第一

2023全球学者学术影响力排名（终身学术影响力榜）是北京同舟云网络信息技术有限公司依托其研发的, 根据先进科技论文质量评估计分排名规则与方法（文末给出相关计分规则），对全球学者近代所发表的全部文献（重要期刊进行了回溯处理，如Science回溯至1900年）进行集中处理和计算后得出。按照总积分从高到低排列出全球学者。其中，共计位国内学者入围该名单。本文按照学科领域整理了生物医学工程、计算机技术及医学等学科的中国排名前100的学者名单。

原创 CVPR 2024：在笔记本终端分割一切医学图像挑战赛进行中

医学图像分割是临床实践中的关键步骤，有助于准确量化解剖结构和病理区域。该领域目前正在经历范式转变，从为单个任务设计的专用模型转向能够管理多种细分场景的基础模型。然而，大多数现有的分割基础模型主要是针对自然图像量身定制的，或者在推理过程中通常需要大量的计算资源。这一限制对其在临床环境中的广泛实施构成了重大障碍。这一挑战寻求通用的、可提示的医学图像分割模型，这些模型可部署在笔记本电脑或其他边缘设备上，而不依赖 GPU。

原创 深入解析MONAI DiceLoss函数：作用、使用方法和参数解析

在医学影像分割任务中，Dice Loss是一种常用的损失函数，用于衡量预测分割结果与真实标签之间的相似度。MONAI提供了DiceLoss函数，它是一个重要的工具，用于优化深度学习模型在医学影像分割任务中的性能。本文介绍了其作用、使用方法以及各个参数的含义，希望对医学影像领域的从业者能够更好地利用DiceLoss函数进行模型训练和性能优化，并取得更好的分割效果。然后创建了DiceLoss函数的实例，并在模型训练循环中使用DiceLoss计算损失并进行反向传播优化模型。

原创 深入解析MONAI Auto3dseg函数：功能、使用方法和参数解析

在医学影像领域，自动化的图像分割是一个重要且具有挑战性的任务。为了简化医学影像图像分割的流程，MONAI提供了Auto3dseg函数，它是一个强大的工具，可以自动进行三维图像分割。本文将详细介绍Auto3dseg函数的功能、使用方法以及各个参数的含义。

原创 MONAI-model zoo简要介绍

MONAI Medical Open Network for AI)是一个基于PyTorch开发的医学影像人工智能框架。MONAI提供了许多预先训练好的模型，这些模型可以直接在不同的医学影像数据集上进行微调和预测，避免了从头开始训练模型的麻烦。MONAI中的model zoo包括了一系列2D和3D图像分割、分类、生成等任务的预训练模型。

原创 生成式AI-医学影像专刊论文合集(2022-2023)(二)

在这里，我们提出了一种基于有效的浅层3D投影的后上采样网络，用于脑部MRI的各向异性SR。我们的模型可以按需生成完全合成的脑部标签，包括感兴趣的病理和非病理，并生成对应的任意风格的MRI图像。此外，我们提出了通过估计潜在向量之间的相关系数矩阵并利用它来关联随机抽样的元素，从而在VAE的潜在空间中建模2D切片之间的关系，并将其解码为图像空间。在这项工作中，我们提出了一种新颖的基于前景的生成方法，用于模拟局部病变特征，既可以在健康图像上生成合成病变，又可以从病理图像中合成个体特异性的伪健康图像。

原创 医生究竟会不会被AI替代

虽然现有技术还有限制和挑战，但随着技术的不断发展，AI会向着更加成熟、精准和可靠的方向发展。因此，我们认为，AI不是医生的替代品，而是医生的重要辅助工具。医生仍然需要发挥专业知识和判断力，将AI算法的结果与患者的具体情况相结合，制定最佳的治疗方案。其次，AI算法还需要考虑许多复杂的因素，如病人的个体差异、患病类型的多样性以及医学影像的复杂性等。此外，AI算法还需要提供可靠的预测结果和解释性，以便医生能够理解算法的决策过程。然而，尽管存在这些限制，AI在医疗领域中的应用仍有很大的潜力。

原创 生成式AI-医学影像专刊论文合集(2022-2023)(一)

在测试中，我们仅从 T2 MRI 中生成的合成血管分割的平均 Dice 得分为 0.79 ± 0.03，与最先进的分割网络（如 transformer U-Net（0.71 ± 0.04）和 nnU-net（0.68 ± 0.05））相比，只使用了一小部分参数。我们展望，由于生成图像质量的提高，我们的新数据集的实用性将扩展到病变检测以外的其他问题。我们的研究表明，同时使用合成数据和真实数据进行训练的效果优于仅使用真实数据进行训练的效果，而且仅使用合成数据训练的模型接近仅使用真实数据训练的模型。

原创 从三维图像中抽取2D样本进行训练-MONAI实战

从三维图像中抽取样本进行2D网络训练-MONAI实战在医学影像分析的任务中，有时需要从三维（3D）图像数据中提取二维（2D）样本进行训练。这是因为2D卷积神经网络可以更方便地处理和分析2D数据，而且使用2D样本可以减少训练时间和计算成本。然而，从3D数据中提取2D样本并不是一件容易的事情。本教程向您展示如何使用 3D inputs 中采样2D样本训练网络。这是一个完整的2D分割教程，包含数据生成，预处理，训练以及推理主要用到的功能函数：monai的和进行2D切片的抽样。以及在推理中使用将2D切片分割后再组合

原创 SCI 2区论文：医疗保健中心训练有素的脑膜瘤分割模型的性能测试-基于四个回顾性多中心数据集的二次分析

背景：CNN在磁共振成像脑膜瘤分割方面取得了最先进的结果。然而，从不同机构、协议或扫描仪获得的图像可能会显示出显着的域转移（domain shift），从而导致性能下降并在实际临床场景中挑战模型部署。客观的：本研究旨在调查训练有素的脑膜瘤分割模型在不同医疗保健中心部署时的实际性能，并验证增强其泛化能力的方法。方法：这项研究在四个中心进行。2015 年 1 月至 2021 年 12 月期间，共有 606 名患者进行了 606 次 MRI 入组。

原创 2024年MIA最新生成综述：基于深度学习的MRI/CT/PET合成【文献阅读】

由于复杂且非线性的域映射，两种图像模态之间的转换存在困难。与传统图像合成方法相比，基于深度学习的生成建模在合成图像对比应用中表现出更好的性能。本调查全面回顾了2018年至2023年期间基于深度学习的医学图像转换在伪CT（pseudo-CT）、合成MR（synthetic MR）和合成PET（synthetic PET）方面的研究。我们概述了最常用的用于医学图像合成的深度学习网络。此外，我们对每种合成方法进行了详细分析，重点关注它们基于输入域和网络架构的多样化模型设计。

原创 使用 MONAI 加载和保存各种格式的医学图像

本教程属于实战，手把手教你加载各种医学图像数据（nii.gz, .dcm, .png等）。并学会查看医学图像数据的元数据（shape, affine, orientation）。学会使用monai全方位了解你的数据，并把它用于之后的深度学习训练。以及学会保存transform处理后的图像以及分割结果。干货很多，动手跟着一起来。查看本教程前，请自行下载，边跑代码边看教程，学习效率更高哦。