|
搜索
搜 索
高等教育领域数字化综合服务平台
XM-315A手部肌肉血管神经解剖模型
XM- 315A手部肌肉血管神经解剖模型
XM-315A手部肌肉血管神经解剖模型可拆分为4部件，掌腱肌和掌短肌可以拆下以观察更深层的肌肉、肌键、血管和神经网络，深层次的掌部断面出示了长腱、腕部韧带及正中神经，手掌肌部件拆下后，可以看到手掌弓及其分支和神经分布，共有多个部位数字指示标志和对应的文字说明。
尺寸：自然大，21.5×13.5×13.5cm
材质：PVC材料
上海欣曼科教设备有限公司
2021-08-23
足肌附主要血管神经模型XM-320
XM-320足肌附主要血管神经模型
XM-320足肌附主要血管神经模型由足肌、趾长伸肌、腓肠肌、屈肌支持带、足母短屈肌、足母收肌斜头、小趾展肌、趾短屈肌、足底方肌等9部件组成，展示了人体足的骨骼、肌肉、韧带神经、血管等解剖结构，并且可以将足底腱膜和短屈肌等拆下，看到复杂的足底肌肉、肌腱和神经网络，共有81个部位数字指示标志及对应文字说明。
尺寸：自然大，20×9×33cm
材质：PVC材料
上海欣曼科教设备有限公司
2021-08-23
人体骨骼带神经血管模型XM-106
XM-106人体骨骼带神经与血管模型
XM-106人体骨骼带神经与血管模型（人体骨骼带心脏血管模型）显示男性全身骨骼的组成和形态外观，由男性全身散骨串制而成一整体骨架，成直立姿势，并显示人体全身主要血管和神经的行程及其分布概况，四肢大的关节部分均可活动，头颅含可活动的下巴、可移动的头颅盖，其中四肢骨和头颅骨可以灵活拆卸组装，整体固定在支架上，带底座，可灵活移动。
尺寸：高85cm
材质：PVC材料
上海欣曼科教设备有限公司
2021-08-23
眼球与眼眶附血管神经模型XM-429
XM-429眼球与眼眶附血管神经放大模型
XM-429眼球与眼眶附血管神经放大模型可拆分为10部件，由眼眶、眼球壁、巩膜、脉络膜和视网膜、玻璃体、眼球外肌以及眼眶壁和鼻甲等组成，显示眼（包括眼球壁和内容物）、眼副器（包括眼睑、结膜、泪器和眼球外肌）以及眼的血管和神经等结构。
尺寸：放大，28×32×41.5cm
材质：PVC材料
上海欣曼科教设备有限公司
2021-08-23
颜面浅层肌肉神经血管模型XM-638
XM-638颜面浅层肌肉神经血管模型
XM-638颜面浅层肌肉神经血管模型显示表情肌及颈部浅层肌肉，头面颈部浅层神经及血管，表情肌主要显示眼轮匝肌、鼻部肌肉、口轮匝肌等，面部的神经主要显示面神经在面部的分支、颞支、颊支、下颌缘支以及眶上神经、耳颞神经、枕大神经、耳大神经，面部的血管主要示颞浅动静脉、颈解浅静脉、面动静脉、枕动脉等。
尺寸：自然大，25×25×6cm
材质：PVC材料
上海欣曼科教设备有限公司
2021-08-23
头面及颈部血管神经分布模型XM-631
XM-631头面及颈部血管神经分布模型
XM-631头面及颈部血管神经分布模型由头面部动脉分布、头面部静脉及三叉神经3个部件组成，主要显示头部浅层、深层的动静脉及神经的分布情况及相应的结构形态。
尺寸：自然大
材质：玻璃钢材料
上海欣曼科教设备有限公司
2021-08-23
XM-315手肌附主要血管神经模型
XM-315手肌附主要血管神经模型
XM-315手肌附主要血管神经模型由手肌、掌腱膜、鱼际、小鱼际和蚓状肌等7个部件组成，显示手肌分层、手骨、韧带、肌腱及其主要血管神经等结构，共有71个部位数字指示标志及对应文字说明。
尺寸：自然大，22.5×13.5×5.5cm
材质：PVC材料
上海欣曼科教设备有限公司
2021-08-23
XM-606A右半脑带血管和神经模型
XM-606A右半脑带血管和神经模型
XM-606A右半脑带血管和神经模型显示大脑半球、间脑、小脑和脑干中脑、脑桥、延髓各个部分以及脑神经和脑血管等结构。
尺寸：自然大，15×15×6cm
材质：PVC材料
上海欣曼科教设备有限公司
2021-08-23
XM-638颜面浅层肌肉神经血管模型
XM-638颜面浅层肌肉神经血管模型
XM-638颜面浅层肌肉神经血管模型显示表情肌及颈部浅层肌肉，头面颈部浅层神经及血管，表情肌主要显示眼轮匝肌、鼻部肌肉、口轮匝肌等，面部的神经主要显示面神经在面部的分支、颞支、颊支、下颌缘支以及眶上神经、耳颞神经、枕大神经、耳大神经，面部的血管主要示颞浅动静脉、颈解浅静脉、面动静脉、枕动脉等。
尺寸：自然大，25×25×6cm
材质：PVC材料
上海欣曼科教设备有限公司
2021-08-23
基于深度学习的智能计算MR成像
一、项目简介 智能计算MR成像主要是基于脉冲序列设计、成像、重建、处理与分析的全链路优化思想，利用人工智能领域的深度学习与大数据方法，研究新体制智能计算成像理论、方法与应用，突破现有系统将成像与分析分治难以兼顾的不足，从而为医学临床和科研提供新的、更快的成像手段、更好的成像质量以及更符合实际需求的成像模式。 二、前期研究基础 无 三、应用技术成果1）基于深度学习的信息保持压缩感知重建（左图为填零重建、右图为所提方法）
厦门大学
2021-04-11