本课程第一部分首先介绍了医学图像处理软件SimpleITK安装和使用，包括SimpleITK读取医学图像数据的方法等。其次介绍了关于图像特征提取的方法和医学影像组实现的过程。第二部分的内容讲述了关于使用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等。第三部分介绍图像分割的基础内容和分类，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框架部署图像分割的案例。
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 Windows下安装SimpleITK.mp4
4 SimpleITK读取序列文件.mp4
5 SimpleITK文件的转换.mp4
6 获取图像的基本信息.mp4
7 SimpleITK获取元数据.mp4
8 SimpleITK创建不同类型的图像.mp4
9 图形类型的转换.mp4
10 医学图像的显示.mp4
11 医学的图像的翻转和显示.mp4
12 医学图像数据的调整与显示.mp4
13 医学图像的特征检测.mp4
14 医学影像数据介绍.mp4
15 创建新的标签.mp4
16 处理nii的文件.mp4
17 医学图像的特征抽取.mp4
18 读取处理后的数据HGG和LGG.mp4
19 特征选取的过程.mp4
20 模型的训练和评价及保存.mp4
21 加载训练后的模型完成预测.mp4
22 程序的运行方法.mp4
23 基于Django项目的综合案例.mp4
24 Django工程和子应用的搭建.mp4
25 Django项目的静态资源和启动.mp4
26 人脸识别页面的跳转.mp4
27 人脸识别页面的搭建和图片上传的get请求.mp4
28 图片上传类型错误处理.mp4
29 图片上传的实现步骤.mp4
30 图片上传的实现过程.mp4
31 人脸检测函数的实现.mp4
32 上传图片完成人脸检测.mp4
33 文本分类页面搭建.mp4
34 文本分类的视图函数.mp4
35 图像分类页面的搭建.mp4
36 文本分类的预测函数实现过程.mp4
37 机器学习图像分类的图片上传.mp4
38 加载svm模型完成图片预测.mp4
深度学习项目课：医学影像与图像分割.zip
39 图像分类视图控制函数.mp4
40 模型的训练过程介绍.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 Unet模型的介绍.mp4
44 使用虚拟环境安装TensorFlow.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搭建图像分割的页面.mp4
51 Django实现图像分割的图片上传.mp4
52 Django实现图像分割的视图函数.mp4
53 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 图像分割的图片回显.mp4
56 虚拟数字人的运行过程.mp4
以上为简介部分内容，详细请成为会员后查看！
你可能想看：