从零到一：3D Slicer与MONAI在医学影像中的AI革命

在3D Slicer中使用 Monai Bundle 和 Model Zoo 标注医学影像数据-全脑133个结构分割

MONAIModel Zoo提供了一系列由社区开发的医学影像模型，采用格式。Monai Bundle 允许您轻松获取任何来自 MONAI Model Zoo 的模型并将其导入 MONAILabel。Model Zoo[1]提供的模型包括MRI脑肿瘤分割，CT肺结节检测，病理细胞核分割分类，CT胰腺分割，MRI前列腺分割，CT肾脏分割，CT脾脏分割，MRI脑切片生成等20几个模型。后面会用单独的篇幅分别介绍这些预训练模型的使用。

在3D Slicer中使用 Monai Bundle 和 Model Zoo 标注医学影像数据-分割肾子结构：皮质髓质和集合系统

MONAIModel Zoo提供了一系列由社区开发的医学影像模型，采用格式。Monai Bundle 允许您轻松获取任何来自 MONAI Model Zoo 的模型并将其导入 MONAILabel。Model Zoo提供的模型包括MRI脑肿瘤分割，CT肺结节检测，病理细胞核分割分类，CT胰腺分割，MRI前列腺分割，CT肾脏分割，CT脾脏分割，MRI脑切片生成等20几个模型。后面会用单独的篇幅分别介绍这些预训练模型的使用。

CT肺结节检测-在3D Slicer中使用 Monai Bundle 和 Model Zoo 标注医学影像数据

MONAIModel Zoo提供了一系列由社区开发的医学影像模型，采用格式。Monai Bundle 允许您轻松获取任何来自 MONAI Model Zoo 的模型并将其导入 MONAILabel。Model Zoo[1]提供的模型包括MRI脑肿瘤分割，CT肺结节检测，病理细胞核分割分类，CT胰腺分割，MRI前列腺分割，CT肾脏分割，CT脾脏分割，MRI脑切片生成等20几个模型。后面会用单独的篇幅分别介绍这些预训练模型的使用。

3D Slicer与MONAI联手：AI驱动下的医学影像分割实战指南

本文详细介绍了3D Slicer与MONAI框架在医学影像分割中的协同应用，通过AI技术显著提升效率。从环境配置到高级技巧，涵盖肺结节分析、多模态影像融合及模型微调等实战案例，为临床工作流提供自动化解决方案。

3D Slicer + MONAI Label实战：10倍速医学影像标注技巧（附详细配置步骤）

本文详细介绍了如何利用3D Slicer与MONAI Label搭建AI辅助标注平台，实现医学影像标注效率的10倍提升。内容涵盖从零开始的一体化环境配置、实战标注工作流、模型自定义与多场景适配等核心技巧，并提供了详细的安装教程和避坑指南，旨在为影像科医生和AI研发人员提供一套高效、可落地的生产力解决方案。

3D Slicer与深度学习结合，一条龙搞定标注、训练与部署（附真实案例）

3D Slicer是一款功能强大的医学图像处理工具，结合今天介绍的三个自动分割工具，能够实现标注、训练和部署的一体化流程，为医学研究和临床应用提供极大便利。不过，它的学习成本相对较高，可能会让一些初学者望而却步。但别担心，借助像Kimi这样的大语言模型，你可以轻松解决80%的使用问题，快速上手并掌握其核心功能。

从TotalSegmentator到MONAI Bundle：手把手教你构建自己的医学影像分割工作流（3D Slicer实战）

本文详细介绍了如何利用TotalSegmentator数据集和MONAI Bundle构建高效的医学影像分割工作流，结合3D Slicer实现智能标注与持续学习。通过实战案例展示从环境配置、数据预处理到模型部署的全流程，帮助研究者快速实现CT器官分割任务，提升临床工作效率。

基于Monai Bundle与Model Zoo的全脑MRI分割实战：从模型部署到3D Slicer应用

本文详细介绍了基于Monai Bundle与Model Zoo的全脑MRI分割实战，从模型部署到3D Slicer应用的全流程。通过模块化设计和预训练模型库，MONAI框架显著提升了医学影像分析的效率，特别适用于全脑分割等复杂任务。文章还提供了硬件配置、数据预处理、模型微调等实用技巧，帮助开发者快速实现高效精准的医学影像分析。

数据结构实验1.2—高精度计算PI值（西工大）

这是数据结构第二题的题目，是让我们根据用户的需求来计算派的值 这是题目的详细描述，刚看到这道题的时候，我是真的头大，完全没有思路，于是查找了一些大佬的笔记后才开始编写 这是我在写这些代码是所运用到的数学反三角函数幂次展开式的知识。 下面是正确的代码以及我的一些见解，和需要注意的一些地方。希望能对你有所帮助。如有更加精简的算法，请在评论区留下你的算法！！！谢谢！！！ #define _CRT_SECURE_NO_WARNINGS #include<stdio.h> #include<stdl

从零开始STM32cubeide学习

使用的是正点原子的精英版，单片机是STM32F103ZET6，详细讲解完成跑马灯实验

PSF(点扩散函数)与去卷积算法消除图像模糊

本文旨在总结图像处理中使用去卷积的传统方法来进行图像去模糊的相关知识。

【2026年华为秋招（AI）-2月4日-第一题（100分）- 选择题】（题目+思路+Java&C++&Python解析+在线测试)

本文摘要：本文包含20道选择题，涵盖机器学习、线性代数、Transformer架构、概率统计等多个领域。题目涉及正交矩阵性质、Transformer注意力机制、聚类距离度量、ReAct框架、Softmax函数、混淆矩阵计算、Flash-Attention优化、位置编码、期望计算、归一化方法、矩阵迭代法、矩阵秩、大模型架构、神经网络推理、泊松流性质、SVM核函数以及聚类算法等知识点。每道题均提供解析，帮助理解核心概念和解题思路。

芒果YOLOv7改进48：主干篇：独家首发改进：目标检测新范式骨干PPHGNetv2改进版，充分融合信息特征，提升YOLOv7检测能力

YOLOv7代码改进实践 | 独家首发改进 PPHGNetv2 改进版结构

机器学习笔记 - 基于深度学习(HomographyNet)的图像单应性估计

论文提出了一个深度卷积神经网络来估计一对图像之间的相对单应性。我们的前馈网络有10层，以两个堆叠的灰度图像作为输入，并产生一个8自由度的单应性，可用于映射从第一个图像到第二个图像的像素。我们为HomographyNet提出了两种卷积神经网络架构一个直接估计实值单应性参数的回归网络，以及一个在量化单应性上产生分布的分类网络。我们使用4点单应性参数化，将一个图像的四个角映射到第二个图像。我们的网络使用扭曲的MS-COCO图像以端到端的方式进行训练。论文的贡献如下。........................

【Halcon-2D测量】set_metrology_object_param 函数功能（用于配置计量对象常规参数）

HALCON算子 set_metrology_object_param 是2D计量模块的核心配置工具，用于动态修改计量对象的测量区域、边缘检测和几何拟合参数。该算子需在检测前调用，支持批量或单独修改对象参数，包含三类关键参数：测量区域（如长度、间距）、边缘检测（如平滑Sigma、阈值）和几何拟合（如RANSAC阈值、最小分数）。使用时需注意参数互斥规则（如measure_distance优先于num_measures）和多线程同步要求。算子无输出参数，仅修改计量模型内部状态，需配合apply_metrolo

K-BERT: Enabling Language Representation with Knowledge Graph 代码复现 直接运行

K-BERT: Enabling Language Representation with Knowledge Graph K-BERT K-BERT 代码复现

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具

假人有限元模型

假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

IEM模型，地表粗糙度模拟

利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟