需求推荐工具原因普通 T1 脑提取BET（加-R -f 0.4快速、经典T2、PD、病灶图像HD-BET鲁棒、跨模态、自适应脑组织分割（GM/WM）更精细的结构分割批量处理HD-BET / 自写脚本自动化更高。

神经网络在工作的时候，里面到底是什么样？为了能透视这个“AI黑箱”中的过程，加拿大蒙特利尔一家公司开发一个3D可视化工具Zetane Engine。只需要上传一个模型，Zetane Engine就可以巡视整个神经网络，并且还可以放大网络中的任何一层，显示特征图，看清流水线上的每一步。目前Zetane Engine不同系统的版本都可以在GitHub网站zetane中找到，不同版本的下载地址(左图为卷

深度学习模型保存模型参数的方法有两种：1.保存整个网络(模型结构+模型参数)：# 保存整个模型和参数torch.save(model_object, 'convit_tiny.pth')# 对应的加载模型代码为model = torch.load('convit_tiny.pth')print(model)此时print的是整个网络的模型结构;若要加载模型的参数：model = torch.loa

分割模型nnUNet学习日记（一）：在Ubuntu系统下如何快速使用nnUNet跑通自己的数据

参考博客：系统学习Pytorch笔记七：优化器和学习率调整策略pytorch优化器学习率调整策略以及正确用法Pytorch使用ReduceLROnPlateau来更新学习率分类模型参数调整的Github参考代码

一、简介当我们评价图像分割的质量和模型表现时，经常会用到各类表面距离的计算。这里推荐一个deepmind的表面距离度量计算库surface-distance。该库的下载地址：https://download.csdn.net/download/Joker00007/12718748Github地址：https://github.com/deepmind/surface-distance（注：Git

需求推荐工具原因普通 T1 脑提取BET（加-R -f 0.4快速、经典T2、PD、病灶图像HD-BET鲁棒、跨模态、自适应脑组织分割（GM/WM）更精细的结构分割批量处理HD-BET / 自写脚本自动化更高。

fastMRI 是 NYU Langone Health 与 Meta AI Research（前 Facebook AI Research）合作推出的一个大型开源 MRI 数据集，旨在推动基于机器学习的 MR 图像重建研究。该数据集同时提供原始 k-空间（k-space）HDF5 文件和临床重建后的 DICOM 图像，覆盖膝关节、脑部、前列腺，以及最新加入的乳腺扫描，能够兼顾理想化算法验证与真实

fastMRI 是 NYU Langone Health 与 Meta AI Research（前 Facebook AI Research）合作推出的一个大型开源 MRI 数据集，旨在推动基于机器学习的 MR 图像重建研究。该数据集同时提供原始 k-空间（k-space）HDF5 文件和临床重建后的 DICOM 图像，覆盖膝关节、脑部、前列腺，以及最新加入的乳腺扫描，能够兼顾理想化算法验证与真实

Pytorch的hook技术——获取预训练/已训练好模型的特定中间层输出