工具包：熟練掌握Pytorch、TensorFlow、SimpleITK、Nibabel、MONAI、Scikit-Learn、Scikit-image等深度學(xué)習(xí)、機(jī)器學(xué)習(xí)、圖像分析" /> 超薄肉色丝袜一区二区,日本a级特黄特黄刺激大片,亚洲国产精品久久电影欧美

成人影片麻豆国产影片免费观看_成人无码网www在线观看_国产激情精品一区二区三区_中文字幕无码av波多野吉衣_欧美日韩国产码高清综合人成

猿急送>

北京其它兼職程序員

ID：339095

玦

博士生

公司信息：
首都醫(yī)科大學(xué)

工作經(jīng)驗(yàn)：
1年

兼職日薪：
500元/8小時(shí)

兼職時(shí)間：
下班后
周六
周日

所在區(qū)域：
北京
豐臺(tái)

技術(shù)能力

編程語(yǔ)言：Python、MATLAB、Linux
工具包：熟練掌握Pytorch、TensorFlow、SimpleITK、Nibabel、MONAI、Scikit-Learn、Scikit-image等深度學(xué)習(xí)、機(jī)器學(xué)習(xí)、圖像分析工具包；SPM 12、GRETNA、RestPlus、CONN、FMRIPrep、PANDA、FSL等多模態(tài)磁共振數(shù)據(jù)的分析工具包
軟件設(shè)計(jì)：基于MATLAB開發(fā)醫(yī)學(xué)影像可視化、ROI繪制、ROI同步、ROI保存讀取及計(jì)算軟件。
研究方向：基于深度/機(jī)器學(xué)習(xí)算法的醫(yī)學(xué)影像及腦電信號(hào)分析、腦功能/機(jī)制研究

項(xiàng)目經(jīng)驗(yàn)

? 基于深度學(xué)習(xí)的心外膜脂肪分割與量化及其臨床應(yīng)用研究
心外膜脂肪與幾乎所有血管及心臟疾病的發(fā)生、發(fā)展及嚴(yán)重程度相關(guān)，有必要對(duì)其容積、厚度及密度等指標(biāo)進(jìn)行量化。目前分割和量化方法的性能有待提升且難以適應(yīng)心臟變形的數(shù)據(jù)，此外現(xiàn)有研究無(wú)法僅適用于開發(fā)模型的數(shù)據(jù)集，對(duì)于不同掃描參數(shù)/設(shè)備/中心等數(shù)據(jù)的泛化能力較差。我們建立了一個(gè)二維卷積網(wǎng)絡(luò)及U形網(wǎng)絡(luò)實(shí)現(xiàn)了心外膜脂肪的分割，基于此給出心外膜脂肪所在的區(qū)域從而提取三維圖像Patch用于進(jìn)行精確分割。我們建立了一個(gè)卷積和Transformer的混合模型，結(jié)合卷積的歸納能力和Transformer的全局建模能力實(shí)現(xiàn)了精確分割，即使在有心臟變形情況下，仍取得了較好的結(jié)果。采用無(wú)監(jiān)督領(lǐng)域自適應(yīng)方法，在無(wú)標(biāo)記情況下，預(yù)期實(shí)現(xiàn)模型在不同數(shù)據(jù)之間的泛化，從而可以應(yīng)對(duì)不同中心數(shù)據(jù)，滿足臨床需求。最后，預(yù)期基于研究的分割和泛化模型，以房顫數(shù)據(jù)為例，對(duì)CT/PET及血液等數(shù)據(jù)進(jìn)行分析，探討心外膜脂肪與房顫的關(guān)系及其可能導(dǎo)致的房顫的致病機(jī)制。
? 基于無(wú)監(jiān)督機(jī)器學(xué)習(xí)及多模態(tài)MRI的血管認(rèn)知障礙患者的預(yù)測(cè)
為從小血管病患者中預(yù)測(cè)哪些患者會(huì)轉(zhuǎn)化為皮質(zhì)下認(rèn)知障礙患者，建立了無(wú)監(jiān)督機(jī)器學(xué)習(xí)模型。使用CAT 12對(duì)T1數(shù)據(jù)進(jìn)行分析，提取了全局和ROI水平的體素形態(tài)學(xué)（VBM）和表面形態(tài)學(xué)（SBM）的指標(biāo)；使用CONN、RESTPlus及Gretna提取靜息態(tài)功能磁共振的常用及圖論指標(biāo)；Ubuntu系統(tǒng)下，結(jié)合PANDA及FSL實(shí)現(xiàn)彌散張量成像數(shù)據(jù)的分析，提取DTI參數(shù)圖指標(biāo)。結(jié)合所有指標(biāo)進(jìn)行預(yù)處理和特征選擇，建立無(wú)監(jiān)督模型實(shí)現(xiàn)精確的分類，同時(shí)對(duì)特征貢獻(xiàn)度進(jìn)行分析，應(yīng)用BrainNet Viewer對(duì)貢獻(xiàn)腦區(qū)進(jìn)行可視化。結(jié)合貢獻(xiàn)腦區(qū)建立RVR模型探討貢獻(xiàn)腦區(qū)與量表的關(guān)系，進(jìn)一步證明了研究提取的腦區(qū)的重要性。
? 基于深度學(xué)習(xí)算法實(shí)現(xiàn)T1的顱內(nèi)動(dòng)脈瘤分割
顱內(nèi)動(dòng)脈瘤的檢測(cè)和分割方法很多，但都是基于血管增強(qiáng)影像（CTA/MRA/DSA）實(shí)現(xiàn)的。臨床診療流程中，由于患者主訴及醫(yī)師的水平可能會(huì)導(dǎo)致部分患者沒有進(jìn)行血管增強(qiáng)影像，從而導(dǎo)致動(dòng)脈瘤的漏診。而T1數(shù)據(jù)作為最常用的序列，在T1上實(shí)現(xiàn)分割會(huì)減少漏診。創(chuàng)新性的設(shè)計(jì)了顱內(nèi)動(dòng)脈瘤自適應(yīng)選擇算法實(shí)現(xiàn)顱內(nèi)動(dòng)脈瘤及標(biāo)簽的智能提取，應(yīng)用三個(gè)深度學(xué)習(xí)模型實(shí)現(xiàn)從不同大小/形狀各異/對(duì)比度低等情況下實(shí)現(xiàn)分割，設(shè)計(jì)了模型集合方法實(shí)現(xiàn)了三個(gè)模型的結(jié)合，在減小假陽(yáng)性的基礎(chǔ)上提升了靈敏度。與血管增強(qiáng)方法對(duì)比，本研究使用非增強(qiáng)T1圖像實(shí)現(xiàn)了相當(dāng)?shù)男阅堋?/p>

案例展示

基于深度學(xué)習(xí)的心外膜脂肪分割

心外膜脂肪與幾乎所有血管及心臟疾病的發(fā)生、發(fā)展及嚴(yán)重程度相關(guān)，有必要對(duì)其容積、厚度及密度等指標(biāo)進(jìn)行量化。目前分割和量化方法的性能有待提升且難以適應(yīng)心臟變形的數(shù)據(jù)，此外現(xiàn)有研究無(wú)法僅適用于開發(fā)模型的數(shù)據(jù)集，對(duì)于不同掃描參數(shù)/設(shè)備/中心等數(shù)據(jù)的泛化能力較差。我們建立了一個(gè)二維卷積網(wǎng)絡(luò)
基于深度學(xué)習(xí)算法實(shí)現(xiàn)T1的顱內(nèi)動(dòng)脈瘤分割

顱內(nèi)動(dòng)脈瘤的檢測(cè)和分割方法很多，但都是基于血管增強(qiáng)影像（CTA/MRA/DSA）實(shí)現(xiàn)的。臨床診療流程中，由于患者主訴及醫(yī)師的水平可能會(huì)導(dǎo)致部分患者沒有進(jìn)行血管增強(qiáng)影像，從而導(dǎo)致動(dòng)脈瘤的漏診。而T1數(shù)據(jù)作為最常用的序列，在T1上實(shí)現(xiàn)分割會(huì)減少漏診。創(chuàng)新性的設(shè)計(jì)了顱內(nèi)動(dòng)脈瘤自適應(yīng)選擇
基于深度學(xué)習(xí)算法實(shí)現(xiàn)T1的顱內(nèi)動(dòng)脈瘤分割

顱內(nèi)動(dòng)脈瘤的檢測(cè)和分割方法很多，但都是基于血管增強(qiáng)影像（CTA/MRA/DSA）實(shí)現(xiàn)的。臨床診療流程中，由于患者主訴及醫(yī)師的水平可能會(huì)導(dǎo)致部分患者沒有進(jìn)行血管增強(qiáng)影像，從而導(dǎo)致動(dòng)脈瘤的漏診。而T1數(shù)據(jù)作為最常用的序列，在T1上實(shí)現(xiàn)分割會(huì)減少漏診。創(chuàng)新性的設(shè)計(jì)了顱內(nèi)動(dòng)脈瘤自適應(yīng)選擇