医学影像与图像分割：深度学习项目课

本课程的第一部分首先介绍了医学图像处理软件SimpleITK的安装和使用，包括SimpleITK阅读医学图像数据的方法。其次，介绍了图像特征提取的方法和实现医学图像组的过程。第二部分介绍了Django框架部署机器学习的应用，包括人脸识别、文本分类和图像分类。第三部分介绍了图像分割的基本内容和分类，并使用Unet模型训练了基于眼底血管的图像分割综合案例，最后使用Django框架部署图像分割案例。

1 虚拟机软件的介绍和使用.mp4
2 SimpleitK读取医学图像数据.mp4
3 在Windows下安装SimpleitKIT.mp4
4 SimpleitK读取序列文件.mp4
5 转换SimpleITK文件.mp4
6 获取图像的基本信息.mp4
7 SimpleitK获取元数据.mp4
8 创建不同类型的SimpleITK图像.mp4
9 转换图形类型.mp4
10 显示医学图像.mp4
11 医学图像的翻转和显示.mp4
12 调整和显示医学图像数据.mp4
13 检测医学图像的特征.mp4
14 介绍医学影像数据.mp4
15 创建新标签.mp4
16 处理nii文件.mp4
17 提取医学图像的特征.mp4
18 读取处理后的数据HGG和LGG.mp4
19 选择特征的过程.mp4
20 培训、评估和保存模型.mp4
21 加载训练后的模型完成预测.mp4
22 程序的操作方法.mp4
23 基于Django项目的综合案例.mp4
24 Django工程与子应用建设.mp4
25 Django项目的静态资源和启动.mp4
26 跳转人脸识别页面.mp4
27 人脸识别页面的构建和图片上传的get请求.mp4
28 图片上传类型错误处理.mp4
29 实现图片上传的步骤.mp4
30 图片上传的实现过程.mp4
31 实现人脸检测函数.mp4
32 上传图片完成人脸检测.mp4
33 构建文本分类页面.mp4
34 视图函数的文本分类.mp4
35 构建图像分类页面.mp4
36 实现文本分类预测函数的过程.mp4
37 上传机器学习图像分类的图片.mp4
38 加载svm模型完成图片预测.mp4
深度学习项目课:医学图像与图像分割.zip
39 图像分类视图控制函数.mp4
40 介绍模型的训练过程.mp4
41 文本分类模型的训练过程.mp4
42 图像分割的基本概念.mp4
43 介绍Unet模型.mp4
44 Tensorfloww安装在虚拟环境中.mp4
45 数据集的预处理过程.mp4
46 数据处理成张量的形式.mp4
47 预测过程数据的预处理.mp4
48 加载模型完成预测.mp4
49 Unet模型的训练.mp4
50 Django构建图像分割页面.mp4
51 Django上传图像分割的图像.mp4
52 Django实现图像分割的视图函数.mp4
53 编写图像分割预测函数编写.mp4
54 分割模型的前向计算和结果保存.mp4
55 图像分割的图像回显.mp4
56 虚拟数字人的运行过程.mp4