- 综合排序
- 最热优先
- 最新优先
- 来自专栏FreeBuf
ct-exposer：通过搜索CT日志发现子域
什么是证书透明度（简称CT）？ 证书透明度（Certificate Transparency）是谷歌力推的一项拟在确保证书系统安全的透明审查技术。 CT为TLS证书信任提供了额外的安全保障：即公司可以监控谁为他们拥有的域创建了证书。此外，它还允许浏览器验证给定域的证书是否在公共日志记录中。 ct-exposer能为我们做什么？ ct-exposer将查询给定域的CT日志，然后尝试对域进行DNS查找以获取DNS中存在的域。 根据我的经验，到目前为止ct-exposer为我查找到了许多使用“site:domain.com”谷歌搜索找不到的子域。 安装依赖 Python3，gevent，requests 和 urllib3，pip3 install -r requirements.txt 使用 usage: ct-exposer.py
1.4K20发布于 2018-11-08 - 来自专栏最新医学影像技术
肺部CT全器官结构分割
今天将分享肺部CT全器官结构分割完整实现版本，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。 一、肺部CT全器官分割任务 肺动脉、肺静脉、气道树和肺叶自动分割提取。
2.3K21编辑于 2022-12-19 - 来自专栏深度学习和计算机视觉
创建合成CT图像数据
我们应用此方法为Covid19的CT挑战赛的开发人员创建一个合成玩具数据集。 数据隐私是医学图像数据公开的一个重要挑战。病人相关信息的匿名化需要两个主要步骤。 第二步中，可能需要对图像数据本身执行匿名化，一个例子是从脑CT/MRI图像我们可以重建人脸，所以这通常需要进一步的匿名化步骤。 在COVID19挑战中：https://www.covid19challenge.eu，我们使用的是胸部的CT数据。 我们将ANTs应用于胸部CT图像，我们不会变形图像的所有内容，而只会变形一定百分比的内容，变形不是完全的，只是部分的。这个概念的一个例子如图1所示。 ? 以上是基于部分图像变形的胸部CT合成概念。 以上是四个胸部CT的冠状位中心切片。你可以猜出哪些是合成的吗？文章最后给出答案。
1.5K20发布于 2020-07-20 - 来自专栏Soul Joy Hub
文本匹配——【ICLR 2021】CT
本文作者提出了“对比张力”（CONTRASTIVE TENSION）的对比学习方案——CT： 如上图所示，在训练期间，CT 构建了两个独立的编码器（“Model1”和“Model2”），它们共享初始参数以对一对句子进行编码 原始 CT 论文使用包含多个小批量的批次。对于 K=7 的例子，每个 mini-batch 由句子对 组成，对应的标签是 1, 0, 0, …, 0. 实现 sentence_transformers已经把CT已经封装成pip包，完整的训练流程例子可以参考《Sentence-BERT》。 我们在此基础上只用修改DataLoader和Loss就能轻松的训练CT： from sentence_transformers import SentenceTransformer, InputExample 负采样的改进 sentence_transformers中还是实现了一个CT使用批量负采样的改进版本：模型 1 和模型 2 都编码相同的句子集。
1.6K20编辑于 2022-09-30 - 来自专栏最新医学影像技术
CT-ICH2020——CT图像上的颅内出血检测和分割
CT 扫描的可用性及其快速采集时间使 CT 成为优于磁共振成像 (MRI) 的初始出血评估的首选诊断工具。 CT 扫描使用 X 射线束生成一系列图像，根据组织对 X 射线的吸收量，以不同的强度捕获脑组织。 在使用脑窗的 CT 扫描中，出血表现为结构相对不明确的高强度区域。CT 图像由高级放射科医生检查，以确定是否发生出血，如果发生，则检测类型及其区域。 二、CT-ICH2020任务 分割颅内出血（ICH）区域。 三、CT-ICH2020数据集 收集了 82 个 CT 扫描的数据集，其中包括 36 个诊断为以下类型颅内出血的患者的扫描：脑室内、脑实质内、蛛网膜下腔、硬膜外和硬膜下。
1.2K10编辑于 2024-01-02 - 来自专栏机器之心
想研究新冠CT找不到数据集？UCSD、Petuum开源COVID-CT 数据集
为了解决这个问题，他们构建了一个 COVID-CT 数据集，其中包含 275 个新冠肺炎检测呈阳性的 CT 图像，并向公众开放，以帮助基于 CT 图像的新冠肺炎检测的研发。 基于 183 个新冠肺炎 CT 图像和 146 个非新冠肺炎 CT 图像，他们训练了一个深度学习模型，以预测一个 CT 图像是否呈新冠肺炎阳性。 他们在 35 个新冠肺炎 CT 图像和 34 个非新冠肺炎 CT 图像上进行了测试，模型 F1 值为 0.85。 这些论文中有许多报告了新冠患者病例并且其中一些展示了患者的 CT 图像。这些 CT 图像附有描述其临床病症的标题。 对于包含多个 CT 子图像的图像，他们将其手动拆分为单个 CT 图像。 最终他们获得了 275 个 CT 扫描图像，标记为新冠肺炎阳性。
98220发布于 2020-04-14 - 来自专栏Soul Joy Hub
预训练句子表征——【ICLR 2021】CT
本文作者提出了“对比张力”（CONTRASTIVE TENSION）的对比学习方案——CT： 如上图所示，在训练期间，CT 构建了两个独立的编码器（“Model1”和“Model2”），它们共享初始参数以对一对句子进行编码 原始 CT 论文使用包含多个小批量的批次。对于 K=7 的例子，每个 mini-batch 由句子对 组成，对应的标签是 1, 0, 0, …, 0. 实现 sentence_transformers已经把CT已经封装成pip包，完整的训练流程例子可以参考《Sentence-BERT》。 我们在此基础上只用修改DataLoader和Loss就能轻松的训练CT： from sentence_transformers import SentenceTransformer, InputExample 负采样的改进 sentence_transformers中还是实现了一个CT使用批量负采样的改进版本：模型 1 和模型 2 都编码相同的句子集。
1.9K10编辑于 2021-12-07 - 来自专栏最新医学影像技术
SegTHOR2019——CT胸部器官分割
今天将分享CT胸部器官分割完整实现版本，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。 一、SegTHOR2019介绍 该挑战赛为了解决计算机断层扫描 (CT) 图像中处于危险中的器官分割问题。 在肺癌和食管癌中，放射治疗是一种治疗选择，放射治疗计划从描绘目标肿瘤和位于目标肿瘤附近的健康器官开始，在 CT 图像上称为风险器官 (OAR)。 三、SegTHOR2019数据集 挑战赛提供了40例CT训练集包含标注结果。20例CT测试集，不包含标注结果。 CT数据具有 512 x 512 像素大小，平面分辨率在每个像素 0.90 毫米到 1.37 毫米之间变化，具体取决于患者。
1K30编辑于 2023-09-20 CT去金属伪影的方法
在CT扫描的日常工作中，假牙、颅内动脉瘤弹簧圈、胸部心脏起搏器、人工关节、金属内固定，各种支架时常遇到，但又不能及时移除，为避免这些金属产生的伪影影响临床判断；整理了一些CT去金属伪影的方法：1、iMAR Metal Artifact Reduction) 原理：iMAR是通过射线束硬化矫正、线性内插值以及自适应正弦图修复和分频去金属伪影等多种迭代计算，可以明显减少图像中的条状伪影，并同时校正受影响的组织CT 3、扩展CT值 该功能严格意义上讲不是去除金属伪影，而是让因光子饥饿产生的伪影，在更大的窗宽中显示出金属植入物的信息。 通常情况下，CT值可以从-1024到+3071进行测量，当我们激活扩展CT值功能后，现有的窗宽将扩大十倍至-10240到+30710。
90810编辑于 2025-06-17- 来自专栏计算机视觉life
胸片和CT断层图像是怎么来的？
如何得到CT断层图像？ 相信小伙伴体检的时候都拍过胸片，假如哪个不幸的小伙伴胸片有点“小问题”的话呢，还要再拍个CT图像让医生仔细看一下，那么这些图像有什么区别呢？又是如何得到的呢？ 首先，胸片和CT图像长什么样子呢？ ? 左图是我们平常所说的胸片，右边就是CT的断层图像。左边只有一张图片，相当于把人变成透明的，可以看到身体的内部，所以我们叫它透视像。 神奇的CT断层扫描又是怎么回事呢？ ? 在CT扫描的时候，假设医生想看你身体某一层的断层图像，就会用CT围着你身体的那一层转上一圈。 这主要是CT重建算法的功劳啦。 CT重建算法原理 接下来给大家简单介绍一下CT的重建算法。 射入人体的X射线，穿过人体之后会有一部分透射出来，被探测器捕捉到。 有了CT断层图像，医生就可以看到病人身体内的结构，及时的诊断疾病了。目前，CT是在临床上应用最为广泛的医学成像设备了，在很多疾病的早期诊断上功不可没。
1.6K20发布于 2019-05-29 - 来自专栏最新医学影像技术
SynthRAD2023——放射治疗的CT合成
目前已经提出图像合成以将 CBCT 的质量提高到 CT 水平，产生所谓的“合成 CT”（sCT）。 已经提出了许多方法将 MR 转换为 CT 等效图像，获得用于治疗计划和剂量计算的合成 CT (sCT)。 ，对于CT图像进行（-1000，2000）HU范围截断去除异常区域，在将CBCT-CT生成中，对于CBCT和CT都进行（-1000，2000）HU范围截断去除异常区域。 4、训练结果和验证结果 MR-CT头部结果 MR-CT腹部结果 CBCT-CT头部结果 CBCT-CT腹部结果 5、验证集CT生成结果 MR-CT头部 MR-CT腹部 CBCT-CT头部 CBCT-CT腹部 6、测试集CT生成结果 MR-CT头部 MR-CT腹部 CBCT-CT头部 CBCT-CT
1K20编辑于 2023-08-17 CT质控体模的检测操作全流程
CT机性能模体使用说明本使用说明依据国家标准（GB/T19042.5-2019、WS530-2017、IEC61223）及产品技术规范进行校准修订，适用于CT设备日常质量控制与性能检测。 一、准备工作1.1模体检查目视检查模体外观完整性，确认无裂纹、划痕、变形或污染检查各测试模块是否牢固，无松动、移位或脱落现象核对模体型号与检测项目匹配性，确认在有效期内1.2设备与环境准备确保CT设备已完成预热 值准确性评估在各材料区域设置圆形ROI（面积约100–300mm²，避开边缘≥5mm）测量并记录各材料CT值：空气：-1000±10HU水：0±4HUPMMA：约120±10HULDPE：约-100± 10HUPTFE：约990±10HU计算CT值与标准参考值的偏差4.4均匀性与噪声评估在模体中心及3、6、9、12点钟方向距边缘约2cm处各取ROI计算各ROI的CT值平均值，均匀性偏差应≤5HU（头部模体 质量控制检测规范》结合IEC61223-3-5国际标准进行判定5.2质控台账管理建立电子化或纸质质控记录表记录每次检测日期、操作者、设备型号、模体编号、扫描参数、测量结果绘制趋势图，追踪关键指标（如CT
7620编辑于 2026-05-09CT读腹新法：症状秒定位器官
传统AI只能“看图说话”，这项研究却让CT自己推理“症状→病灶”——Rank-1飙到77.5%，比最强基线再涨3.2%。 引言 “右上腹隐痛” 输入对话框，Med-SORA在3D CT上即时标红肝、胆、胰，并以概率排序将首诊准确率推高3.2个百分点；该研究首次把“症状→腹部多器官”做成端到端可解释模型，为临床提供秒级、可视化的决策依据 老办法卡在哪 纯图像模型把肝脏、胰腺、胆囊拆成器官分割色块，却读不出“黄疸”二字，像素与临床语义断裂；Med-PaLM类文本大模型倒背教科书，却在CT切片前失明，推理悬在空中。 医生怎么用 Med-SORA被封装成230 MB的CT浏览器插件，直接挂进PACS：选中病例，点“症状推理”，0.7秒后在原DICOM上叠加红-黄-蓝3D热力图，疑似器官概率一目了然。 该论文坦承，模型尚未覆盖全身CT与中英双语；下一步将扩至全部脏器并接入门诊语音，化身口袋推理引擎，在急诊分诊、基层会诊中秒级圈定可疑病灶。
7810编辑于 2026-05-18- 来自专栏最新医学影像技术
FUMPE2018——CT图像中的肺栓塞分割
今天将分享CT图像中肺栓塞分割完整实现版本，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。
70460编辑于 2023-10-07 - 来自专栏最新医学影像技术
fastPET-LD——快速PET-CT病灶检测
今天将分享PET-CT病灶检测的完整实现过程，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。 一、比赛介绍 PET-CT 已成为肿瘤成像的首选工具，可提供无与伦比的原发肿瘤和转移灶检测和随访。
1K60编辑于 2022-08-20 - 来自专栏最新医学影像技术
MultiNationalCTLiver2024——多国胸部CT肝实质分割
虽然 MRI 是一种非侵入性首选，但值得注意的是，平扫CT在测量肝脏脂肪方面具有线性等效性。因此，平扫 CT 已成为一种可行的替代方案，特别是用于检测中度至重度脂肪变性。 在影像覆盖范围内，胸部 CT 因其广泛可用性和频繁使用而对评估肝脏脂肪具有重要价值。 例如，在现有的肺癌筛查和 COVID-19 患者图像中，平扫胸部 CT 非常实用，尤其是在无法进行腹部 CT 检查的情况下。 8.19% 的 CT 图像中观察到中度至重度肝脂肪变性。 这些 CT 的跨国纳入旨在涵盖图像数据的异构分布，因为它们是使用具有不同参数的不同扫描仪获取的。未增强胸部 CT 图像是唯一纳入标准，因此排除标准如下。
45010编辑于 2024-07-01 - 来自专栏从零开始的linux
elasticsearch集群
es2 elasticsearch-5.4.1]# cat config/elasticsearch.yml | grep -v "#" cluster.name: es-log node.name: log * log-1 128.0.0.102 4 82 0 0.00 0.00 0.00 mdi - log
78270发布于 2018-04-25 - 来自专栏最新医学影像技术
医学图像处理案例（一）——基于CT图像的肺分割
目前深度学习在图像上有了突破性的发展，但是传统的图像处理算法在特定的场景下还是有很多应用的，今天我将分享在CT图像上来进行肺分割，并通过Opencv来实现。 ? 1、用大津阈值法进行分割 由于CT图像特点，采用大津阈值法就可以实现将肺组织和人体骨骼脂肪分离开。
3.3K41发布于 2020-06-29 - 来自专栏技术随笔
医疗CT影像肺结节检测参考项目(附论文)
CT图像中肺部疾病的计算机辅助诊断方法研究（华中科技大学 博士论文） | 文献详情 & 在线阅读 5. 肺结节计算机辅助诊断算法研究 （浙江大学 硕士论文） | 文献详情 & 在线阅读 6.
3.7K91发布于 2018-05-16 - 来自专栏最新医学影像技术
ULS2023——CT图像中常见病变分割
今天将分享CT图像中常见病变分割挑战赛完整实现版本，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。 一、ULS2023介绍 近年来，每年进行的CT检查数量持续增加，导致放射科医生的工作量增加。 CT 扫描中疾病进展和治疗反应的量化通常依赖于病变的手动长轴或短轴测量。通常，这些测量结果使用实体瘤反应评估标准（RECIST）指南进行解释，该指南旨在标准化和加快这一过程。
62010编辑于 2023-12-19
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号