u014264373的博客

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。

原创 使用monai.visualize.utils.matshow3d函数展示3D医学图像

函数是 MONAI 包中用于可视化 3D 图像数据的一个实用工具函数。它可以在平面中显示一个或多个3D图像，并提供一些参数来控制显示的方式和外观。先导入需要的包例如我们显示1个大小为10x10x10的图像再比如我们显示2个大小为10x10x10的图像接下来，我们再以真实的CT腹部图像案例，来学习一些更高阶的用法。

原创 全面解析MONAI Transforms的用法 视频+教程+代码

MONAI是一个基于PyTorch的开源框架，用于医疗影像的深度学习，属于PyTorch生态系统的一部分。建立一个学术、工业和临床研究人员合作的共同基础社区；创建用于医疗影像的最先进的端到端训练流程；为研究人员提供优化和标准化的方式来创建和评估深度学习模型。在MONAI中，transform是可调用对象，接受来自数据集中初始数据或先前transform 的输入。我们可以直接创建和调用这些transform，而无需进行任何基础设施或系统设置，因为MONAI中的组件设计尽可能解耦。

原创 使用MONAI时，如何选择合适的Dataset加载数据，提升训练速度！

在深度学习中，MONAI（Medical Open Network for AI）是一个专注于医学图像分析的开源框架。它提供了一系列用于医学图像处理和深度学习的工具和函数，其中包括了Dataset函数。Dataset函数是MONAI框架中的一个重要组件，它用于加载和管理医学图像数据集，并提供了数据增强、预处理和批处理等功能。

原创 使用MONAI轻松加载医学公开数据集，包括医学分割十项全能挑战数据集和MedMNIST分类数据集

为了快速开始使用公开的数据集（如 MedNIST 和 DecathlonDataset），MONAI 提供了几个开箱即用的函数（例如），其中包括数据下载，解压以及创建dataset(继承了MONAI 的 CacheDataset,训练的时候数据加载的嘎嘎快)。预定义数据集的常用工作流程：本次以为例，说明如何在MONAI中使用这些数据，并简要介绍这些数据集。

原创 Radiology 谈人工智能在放射学领域的10个预测方向 [文献阅读]

人工智能(AI)和信息学正在改变放射学。十年前，没有哪个专家会预测到今天放射人工智能行业的蓬勃发展，100多家人工智能公司和近400种放射人工智能算法得到了美国食品和药物管理局(FDA)的批准。不到一年前，即使是最精明的预言家也不会相信这些算法可以创作诗歌，赢得美术比赛，并通过医学委员会的考试。现在，当我们庆祝我们专业的旗舰期刊《Radiology》成立一百周年时，这些成就已经成为我们的现实。令人畏惧的转型时刻可以使我们解放思想，梦想更大。基于此，以下是关于放射学中人工智能和信息学未来的10个预测。

原创 将随机数设成3407，让你的深度学习模型再涨一个点！文再附3种随机数设定方法

深度学习已经在计算机视觉领域取得了巨大的成功，但我们是否曾想过为什么同样的模型在不同的训练过程中会有不同的表现？在对10000个种子的扫描中，作者获得了接近2%的最大和最小精度差异，这高于计算机视觉社区通常使用的重要阈值。答：是，它当然减少了由于使用不同种子而产生的差异，但并没有抹去这种差异，在Imagenet上，最大和最小准确度之间的差异仍然有0.5%这么长的代码，每次都要敲一遍，或者粘贴复制也很麻烦。下面进行简单地分析。

原创 在医疗影像领域，生成式模型可以做些什么？用什么平台快速实现？使用MONAI框架进行生成式模型开发

生成模型具有巨大的潜力，不仅有助于通过合成数据集安全地共享医疗数据，还可以执行一系列逆向应用，如异常检测、图像到图像翻译、去噪和MRI重建。然而，由于这些模型的复杂性，它们的实现和再现性可能很困难。对于我这种代码能力薄弱的研究者，需要有医学数据相关的现成代码借鉴参考，才能做实验。这时候，必须要大赞一下MONAI平台啦。提供了各种相关的模型和demo。

原创 简单2招GET模型参数量计算和输入尺寸随卷积大小变化推导

本文将介绍两种简单且实用的方法，用于计算深度学习模型的参数量，并推导了输入尺寸随卷积大小的变化过程。这些方法可以帮助读者更好地理解模型的复杂度和输入尺寸的变化，为模型设计和优化提供指导。比如论文中，通常会比较几种模型的参数量又比如在设计模型时，需要确定我们的输入尺寸大小是否合适，以及想经过每个卷积层后尺寸的变化。我们想看到下面的信息👇基本上每个项目我都会过一遍这些信息，更好的掌握模型。

原创 不会写代码也能搞AI？医生和科研人员的福音——AI科研平台

科研平台的兴起为医生和不会写代码的科研人员提供了更加便捷和高效的途径参与人工智能和深度学习的研究。随着科研平台的不断发展和完善，我们有理由相信，越来越多的医生和科研人员将能够借助这些平台，为医学领域的人工智能应用贡献自己的力量。当然，你看不到的参数肯定就是不可调的，比如你看不到gpu的使用情况，你也不知道提供多大的算力。：提供手动标注（可以调用本机的3d slicer），也可以在平台上标注，平台的标注功能带了AI模型，比如腹部器官他可以自动识别，如果你要标注这些器官那很简单。当然也是允许手动上传的。

原创 三行命令搞定nnUNet v2训练及推理！

通过前面2小节的学习，我们配好了环境，准备了数据。现在开始你的训练之旅~~同 V1 一样，一行命令搞定你的数据预处理，训练和测试！！​。

原创 nnUNet v2数据准备及格式转换 （二）

如果你曾经使用过nnUNet V1，那你一定明白数据集的命名是有严格要求的，必须按照特定的格式来进行命名才能正常使用。这一节的学习需要有数据，如果你有自己的数据，可以拿自己的数据来实验，如果没有，可以用十项全能数据集，在之前分享过,这篇文章里有数据集的下载地址和方法。如果网络问题下载不下来，可以微我。

原创 全网都在用的nnUNet V2版本改进了啥，怎么安装？（一）

nnUNet，这个医学领域的分割巨无霸!在论文和比赛中随处可见他的身影。大家对于nnUNet v1版本的教程都赞不绝口，因为它简单易懂、详细全面，让很多朋友都轻松掌握了使用方法。最近，我也抽出时间仔细研究了nnUNet v2，并全程走过一遍流程。我努力将使用教程变得更加通俗易懂，希望能提高大家的学习效率。如果你正在进行分割任务，或者还没有尝试过nnUNet v2，那么现在是时候跟着我一起学习啦！我们将一步步解析nnUNet v2的改进之处和操作步骤，用简洁明快的语言让你轻松理解。

原创 如何在Linux中强制关闭卡住的PyCharm

在使用PyCharm进行Python开发时，有时可能会遇到卡顿或无响应的情况。当PyCharm卡住时，我们需要强制关闭它以恢复正常操作。今天，我们将介绍在Linux系统中如何强制关闭PyCharm的几种方法。

原创 Bland-Altman LOA：衡量测量方法一致性的统计分析方法，也可用来做分割评价指标

Bland-Altman LOA（Limits of Agreement）是一种用于评估两种测量方法一致性的常用统计分析方法。在医学研究和临床实践中，我们经常会面临不同测量方法之间的比较和评估问题。为了确定两种测量方法是否能够得出相似的结果，我们需要考虑它们的一致性。Bland-Altman LOA是一种流行的统计分析方法，它提供了一种直观且易于理解的方式来评估两种测量方法的一致性。今天在看一篇深度学习分割文献的时候，突然看到这个指标，用来评估 AI 模型分割结果和专家修正后的差别。

原创 【最全】如何不写代码将 Dicom 图像转 Nifti 格式， 7种工具任你选！

dcm2niix 是一款由NTRC团队开发的医学图像转换工具，用于将数字成像与通信（DICOM）格式的医学图像转换为更加通用的神经影像学信息交换（NIfTI）格式。该软件直接读取磁共振成像（MRI）和计算机断层扫描（CT）数据，并把它们转换为 NIfTI 格式。除此之外，dcm2niix 还能够处理其他信息，例如医院信息化系统（HIS）中的元数据、图像方向和标签等。NTRC 团队还开发了MRICron软件，这是一款 NIfTI 格式的看图软件，而且它可以方便地调用 dcm2niix 进行图像转换。

原创 深度学习用于医学预后-第二课第四周大作业-使用 Cox 比例风险和随机生存森林估计原发性胆汁性肝硬化患者的生存风险

使用 Cox 比例风险和随机生存森林估计原发性胆汁性肝硬化患者的生存风险欢迎来到第二门课程的最终作业！在这个作业中，你将使用生存数据以及线性和非线性技术开发风险模型。我们将使用一个包含原发性胆汁性肝硬化（pbc）患者的生存数据集。PBC 是一种由于肝内胆汁积聚（胆汁淤积）导致小胆管受损并排出肝内胆汁的疾病。我们的目标是了解不同因素对患者的生存时间的影响。

原创 深度学习用于医学预后-第二课第四周21-23节-使用Harrell C-Index评估生存模型(实例)

恭喜你完成了这门课程的最后一周。本周，你学习了如何基于患者档案构建和评估个性化的生存预测模型。你学习了Cox比例风险模型和生存树等生存模型，可以利用患者变量来获取患者特定的风险。你还学习了如何使用Harrell’s C-index来评估生存数据上的生存模型。在你的最后一项任务中，你将有机会将所有这些概念应用到实际数据中，建立一个预测住院患者死亡率的生存模型。我也是第一次接触预后模型，很多概念对我来讲都是新的。这部分只是我的一个学习笔记，当遗忘的时候可以翻出来看看，快速回忆。当然，也希望对你有用。

原创 深度学习用于医学预后-第二课第四周18-20节-使用Harrell C-Index评估生存模型

在本课程中，您将学习如何使用Harrell Concordance Index来评估生存模型的性能。在之前，您已经计算过常规的Concordance Index（C-index）。现在您将学习当您处理生存数据时如何修改这个计算方法。这个最终工具将允许您评估您所学到的生存模型。在本课中，我们将讨论使用Harrell C-Index评估生存模型的方法。我们已经看到了评估预后模型的设置。之前我们在研究一个10年内死亡的风险，我们会为死亡率在10年内的结果是"是"或者"否"，并通过模型输出风险分数。