- 综合排序
- 最热优先
- 最新优先
- 来自专栏最新医学影像技术
医学图像处理教程（三）——医学图像增强算法
今天将给大家分享医学图像常见图像增强算法。 1、对数变换 图像对数变换首先将图像从SimpleITK图像数据转成Numpy矩阵数据，然后采用Numpy的log1p（）函数来计算数据的log（1+x）变换，由于1+x不能小于零，因此这里我们使用图像减去图像的最小值来计算对数变换结果 SimpleITK图像数据转成Numpy矩阵数据，然后采用Numpy的power（）函数来计算数据的幂次变换，为了防止出现计算值溢出错误，因此这里我们使用图像减去图像均值再除以图像方差来计算图像幂次变换结果 ，，在这里我们计算图像3次幂变换。 SimpleITK图像数据转成Numpy矩阵数据，然后采用Numpy的exp（）函数来计算数据的指数变换，为了防止出现计算值溢出错误，因此这里我们使用图像减去图像均值再除以图像方差来计算图像指数变换结果
3.4K50发布于 2020-06-29 - 来自专栏全栈程序员必看
医学图形图像处理(医学影像和医学图像处理)
文章目录 1 图像和数字图像 2 图像分类 2.1 简单分类 2.2 传感器分类 2.3 维度分类 3 图像处理流程 4 医学图像 1 图像和数字图像 数字图像： 被定义为一个二维函数，f(x,y)， （3）坐标 图像存储在计算机中会丢失信息，因为是从一个连续的空间到离散空间的再采样过程。 图像数据： 生活中是二维的，医学上通常还有3维和4维的。 医学图像中常用的是dicom 2 图像分类 2.1 简单分类 （1）二值图像：包含两个值，通常为0、255 （2）灰度图像： 0-255灰阶，更能表现自然界图像形态。 4 医学图像 （1）CT图像： 骨结构、组织结构（不太清晰） （2）MRI（核磁共振）图像： 清晰看到除了骨结构之外的一些软组织，更能描述人体软组织结构。 （3）X-ray图像：很好描述肺结构 （4）超声图像： 超声图像很难看懂，因为图像视野狭窄，图像精度也不好，但是绿色对人体无害。
1.8K10编辑于 2022-07-31 - 来自专栏机器学习、深度学习
医学图像分割
http://www.sfu.ca/~abentaie/topo_fcn/topo_fcn.html 本文将 FCN 加入 geometric and topological 先验信息 用于 组织细胞学图像分割 FCN 针对像素级别的分割，没有考虑图像的higher-order 属性例如 边缘平滑性，多物体之间的拓扑信息 Moreover, FCNs tend to produce low-resolution
1.1K20发布于 2019-05-26 - 来自专栏CV学习史
医学图像了解
医学图像 医学图像是反映解剖区域内部结构或内部功能的图像，它是由一组图像元素——像素（2D）或立体像素（3D）组成的。医学图像是由采样或重建产生的离散性图像表征，它能将数值映射到不同的空间位置上。 而核医学图像，比如正电子发射断层图像（PET）和单光子发射断层图像（SPECT），通常都是以彩色映射或调色板来显示的 元数据是用于描述图像的信息。 根据数据类型的不同，像素数据使用数值显示所需的最小字节数，以整点或浮点数的格式储存 图像大小 = 数据头大小（包括元数据） + 行数 栏数像素深度（图像帧数） 医学图像格式 放射图像有6种主要的格式 它定义了质量能满足临床需要的可用于数据交换的医学图像格式 PET是正电子发射断层显像（Positron Emission Tomography）的缩写，是一种先进的核医学影像技术；CT是计算机断层摄影术 Dicom 它定义了质量能满足临床需要的可用于数据交换的医学图像格式，可用于处理、存储、打印和传输医学影像信息。
2.7K31发布于 2019-09-10 - 来自专栏计算机视觉life
医学图像处理
0、引言 医学图像处理的对象是各种不同成像机理的医学影像，临床广泛使用的医学成像种类主要有X-射线成像 （X-CT）、核磁共振成像（MRI）、核医学成像（NMI）和超声波成像（UI）四类。 世界各地的医学图像处理机构已经迅速进入该领域，并将CNN和其它深度学习方法应用于各种医学图像分析。 在医学成像中，疾病的准确诊断和评估取决于医学图像的采集和图像解释。 在配准对象方面从二维图像发展到三维多模医学图像的配准。一些新算法，如基于小波变换的算法、统计学参数绘图算法、遗传算法等，在医学图像上的应用也在不断扩展。 图12 多模态医学图像融合的例子。 图像分析技术在医学上的应用 [J] . 包头医学院学报, 2005, 21 (3) ： 311~ 314 [2]周贤善. 医学图像处理技术综述[J].
4.4K42发布于 2019-07-10 - 来自专栏最新医学影像技术
医学图像处理教程（四）——医学图像去噪算法
今天将给大家分享医学图像常见三种图像去噪算法。 均值滤波本身存在着固有的缺陷，即它不能很好地保护图像细节，在图像去噪的同时也破坏了图像的细节部分，从而使图像变得模糊，不能很好地去除噪声点。 我们使用MeanImageFilter（）函数来对图像进行平滑去噪。 我们使用MedianImageFilter（）函数来对图像进行中值滤波去噪。 我们使用SmoothingRecursiveGaussianImageFilter（）函数来对图像进行高斯滤波平滑去噪。
5.4K21发布于 2020-06-29 - 来自专栏全栈程序员必看
医学图像处理(医学图像处理研究生就业选择)
，从而对人体健康状况进行评价的一门科学，包括医学成像系统和医学图像处理两方面相对独立的研究方向。 课程设置包括：（1）主干学科：基础医学、临床医学、医学影像学.（2）主要课程：物理学、电子学基础、计算机原理与接口、影像设备结构与维修、医学成像技术、摄影学、人体解剖学、诊断学、内科学、影像诊断学、影像物理 DICOM格式 解析：DICOM（Digital Imaging and Communications in Medicine）即医学数字成像和通信，是医学图像和相关信息 的国际标准（ISO 12052 它定义了质量能满足临床需要的可用于数据交换的医学图像格式。 在数以万计的在用医学成像设备中，DICOM是部署最为广泛的医疗信息标准之一。当 前大约有百亿级符合DICOM标准的医学图像用于临床使用。 5.
2.4K31编辑于 2022-08-02 - 来自专栏最新医学影像技术
医学图像处理案例（二十）——医学图像处理案例代码详解
在前面分享的医学图像处理案例中，给出了很多具体案例，但有些读者还是渴望可以深入分享案例代码详解。那么今天我将从骨骼分割，气管分割，肺组织分割，血管分割这四个具体案例来详细讲解如何来实现。 1.2、 首先采用形态学开操作，将骨骼和心脏和主动脉连接的部分断开，然后再取最大连通域可以得到粗略的心脏和主动脉图像。 ? 1.3、 再将步骤1.1的结果与步骤1.2的结果相减。 ? 1.5、将得到的Mask图像与原始图像进行逻辑与操作得到最后的气管分割结果图像。 ? 2.2、 将得到的Mask图像与原始图像进行逻辑与操作得到最后的气管分割结果图像。 ? 3.9、将得到的Mask图像与原始图像进行逻辑与操作得到最后的肺部分割结果图像。 ?
4.8K54发布于 2020-06-29 - 来自专栏最新医学影像技术
医学图像处理案例（十三）——快速行进算法分割医学图像
今天将分享使用快速行进算法（FastMarching）对医学图像分割案例。 在实际中，FastMarching算法可以看作是由速度图像控制的高级区域增长分割方法。该算法具体推导请参考原文连接。 2、使用SimpleITK函数来实现FastMarching分割算法 用FastMarching算法分割有5个步骤：（1）、首先使用各向异性扩散方法对输入图像进行平滑处理；（2）、其次对平滑后的图像进行梯度计算 ，生成边缘图像，在梯度计算过程中可调节高斯sigma参数，来控制水平集减速到接近边缘；（3）、然后使用逻辑回归（Sigmoid）函数对边缘图像进行线性变换，保证边界接区域近零，平坦区域接近1，回归可调参数有 、灰质和白质的分割测试，如图所示依次是MRI原始图像，左脑室分割结果，右脑室分割结果，白质分割结果，灰质分割结果。
4.6K63发布于 2020-06-29 - 来自专栏最新医学影像技术
医学图像处理教程（五）——医学图像边缘检测算法
今天将给大家分享医学图像常见两种图像边缘检测算法。 没有需要输入的参数，直接输入2d或3d图像就可以了，这边还要提醒一下，输入的图像必须是float类型的图像才可以计算。 为了平滑图像，使用高斯滤波器与图像进行卷积，该步骤将平滑图像，以减少边缘检测器上明显的噪声影响。重要的是需要理解，高斯卷积核大小的选择将影响Canny检测器的性能。 （2）、图像中的边缘可以指向各个方向，因此Canny算法使用四个算子来检测图像中的水平、垂直和对角边缘。 这边还要提醒一下，输入的图像必须是float类型的图像才可以计算。
3.6K30发布于 2020-06-29 - 来自专栏最新医学影像技术
医学图像处理案例（十五）——基于小波变换的医学图像融合
今天将介绍使用小波变换来对多模态医学图像进行融合。 这四个子图像中的每一个都是由原图与一个小波基函数的内积后，再经过在x和y方向都进行2倍的间隔采样而生成的，这是正变换，也就是图像的分解；逆变换，也就是图像的重建，是通过图像的增频采样和卷积来实现的。 1.2、融合规则 规则一：系数绝对值较大法 该融合规则适合高频成分比较丰富，亮度、对比度比较高的源图像，否则在融合图像中只保留一幅源图像的特征，其他的特征被覆盖。 规则二：加权平均法 权重系数可调，适用范围广，可消除部分噪声，源图像信息损失较少，但会造成图像对比度的下降，需要增强图像灰度。 2、基于小波变换的多模态医学图像融合代码实现 我将分享python版本代码来融合多模态MR图像，融合策略是低频图像采用平均值法，高频图像采用最大值法。
3K20发布于 2020-06-29 - 来自专栏AI算法与图像处理
医学图像分割：UNet++
分割的准确性对于医学图像至关重要，因为边缘分割错误会导致不可靠的结果，从而被拒绝用于临床中。 为医学成像设计的算法必须在数据样本较少的情况下实现高性能和准确性。 获取这些样本图像来训练模型可能是一个消耗资源的过程，因为需要由专业人员审查的高质量、未压缩和精确注释的图像。 UNet++里有什么新东西？ 下面是UNet++和U-Net架构的示意图。 ? 该数据集包含101幅视网膜图像，以及用于检测青光眼的光学disc和光学cup的mask标注。青光眼是世界上致盲的主要原因之一。50张图片用于训练，51张用于验证。 从定性测试的结果来看，UNet++成功地对第一张图像进行了正确的分割，而U-Net做得并不好。也由于UNet++的复杂性，训练时间是U-Net的两倍。必须根据它们的数据集评估每种方法。
1.8K21发布于 2020-11-23 - 来自专栏基于深度学习的图像增强
医学图像跨域合成
背景 这篇文章主要介绍一些基于深度学习的医学图像合成的论文，医学图像跨域合成一般是指从一种模态转化为另一种模态，包括CT到PET，MR到CT，CT到MR及MRI中T1,T2,FLAIR等之间的转化。 目前用于磁共振到CT合成的深度学习方法依赖于同一患者的MR和CT训练图像的两两对齐。然而，成对图像的非对准问题会导致合成CT图像的误差。 ，从而影响了合成图像的质量。 医学图像合成是解决这一问题的有效方法，可以将缺失的模态从已有的模态中合成出来。 给出一部分实验结果 image.png image.png 总结 之前介绍过很多关于有监督的图像合成，这里涉及到无监督的图像合成问题，主要是借鉴了自然图像中风格迁移的思想，用cyclegan来实现
1.6K20发布于 2020-09-07 - 来自专栏3D视觉从入门到精通
汇总|医学图像数据集
of Medicine presents MedPix 数据下载链接：https://medpix.nlm.nih.gov/home 数据介绍：MedPix®是一个免费的开放式在线访问数据库，其中包含医学图像 ，教学案例和临床主题，集成了图像和文本元数据，包括12,000多个患者案例，9,000个主题和近59,000个图像。 我们的主要目标受众包括医师和护士，专职医疗人员，医学生，护理生以及其他对医学知识感兴趣的人。内容材料按疾病位置（器官系统）组织；病理类别患者资料；以及通过图像分类和图像标题。 该集合可按患者症状和体征，诊断，器官系统，图像形式和图像描述，关键字，特约作者和许多其他搜索选项进行搜索。 INbreast共有115例（410幅图像），其中90例来自双乳女性（每例4幅图像），而25例来自乳房切除术患者（每例2幅图像）。包括几种类型的病变（肿块，钙化，不对称和变形）。
5.6K30发布于 2020-12-11 - 来自专栏深度学习和计算机视觉
医学图像分割：UNet++
分割的准确性对于医学图像至关重要，因为边缘分割错误会导致不可靠的结果，从而被拒绝用于临床中。 为医学成像设计的算法必须在数据样本较少的情况下实现高性能和准确性。 获取这些样本图像来训练模型可能是一个消耗资源的过程，因为需要由专业人员审查的高质量、未压缩和精确注释的图像。 UNet++里有什么新东西？ 下面是UNet++和U-Net架构的示意图。 该数据集包含101幅视网膜图像，以及用于检测青光眼的光学disc和光学cup的mask标注。青光眼是世界上致盲的主要原因之一。50张图片用于训练，51张用于验证。 从定性测试的结果来看，UNet++成功地对第一张图像进行了正确的分割，而U-Net做得并不好。也由于UNet++的复杂性，训练时间是U-Net的两倍。必须根据它们的数据集评估每种方法。
1.7K30编辑于 2022-04-06 - 来自专栏全栈程序员必看
matlab 医学图像处理(matlab进行图像处理)
对图像文件增加椒盐噪声，然后进行中值滤波 Y=imread(‘D:\321.jpg’);%读入图像 I=rgb2gray(Y);%转换成灰度图 J =imnoise(I,‘salt & pepper’, 0.02);%给图像添加椒盐噪声 K =medfilt2(J);%对增加噪声后的图像进行中值滤波 subplot(2,2,1); imshow(I); title(‘原图’);%显示图像，并命名‘原图’ subplot(2,2,2); imshow(J); title(‘加噪声后’);%显示图像，并命名‘加噪声后’ subplot(2,2,3); imshow(K); title(‘加噪中值滤波后’) ;%显示图像，并命名‘加噪中值滤波后’ 发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/126043.html原文链接：https://javaforall.cn
2.7K20编辑于 2022-08-01 - 来自专栏有三AI
【图像分割应用】医学图像分割小总结
本专栏的第一个板块医学图像分割中从具体应用出发，介绍了脑分割、心脏分割和肿瘤分割三个问题，本文就总结一下现阶段医学图像分割中该知道的内容。 作者&编辑 | 孙叔桥 1 介绍 不同于几年前医学图像短缺的情况，随着科技的发展和重视程度的增加，医学领域可供深度学习方法所利用的图像不断增多（辐射成像、基因序列、病理图像等），已经逐步迈入“大数据”体量 即使人们寄希望于深度学习算法可以替代或辅助医学专家作出诊断（或标注图像），现有的方法也远无法胜任医学图像分割中存在的复杂情况。除此以外，医学图像的处理还存在隐私与法律问题、缺乏标准化结构等诸多问题。 医学图像分割 2 难点介绍总结 本专栏医学图像分割板块的前三篇文章已经针对不同具体场景给出了对应的难点分析，这里从整个医学图像分割问题出发，总结一下这些难点。 (3) 数据标准问题 医学图像数据的标准化是医学图像分割问题中的一个难点。医学诊断往往需要算法结合不同的数据库来作出判断，但是由于获取图像的传感器等方面的差异，这些数据库很难在一个标准下进行结合。
2.8K31发布于 2019-07-23 - 来自专栏最新医学影像技术
医学图像处理教程（二）——医学图像读取，存储和不同对象互相转换
今天将给大家分享医学图像读取，包括dicom图像和非dicom图像，图像的存储以及修改图像信息后产生的变化结果，最后再介绍如何将SimpleITK的图像数据与Numpy的数据进行互相转换。 1、读取dicom序列文件 这里采用ImageSeriesReader（）来读取dicom序列图像，只需要输入dicom的目录路径就可以读取图像。 # read image image = sitk.ReadImage("srcdicom.mha") 3、输出图像信息 图像除了像素信息外，还有图像大小，图像spacing信息，图像方向信息，图像原点信息 # write dicom image sitk.WriteImage(image, "srcdicom.mha") 5、修改图像方向信息就会改变图像的方向 这里我们做个信息修改来看一下是如何影像图像的 最后我们通过前面介绍的图像输出函数将生成的sitk图像保存成文件。
6K63发布于 2020-06-29 - 来自专栏CVer
医学图像半监督分割Baselines
，nnUNet及其各种魔改版本几乎霸占了各大比赛的leaderboard，但大多医学图像分割任务一直因为标注数量太少而饱受诟病。 如何缓解标注图像数量太少，未标注数量太多和有效利用未标注的原始数据等问题，已然成为了医学图像分割发展的主要矛盾。 针对这样一些问题，我们尝试基于一些医学图像比赛的公开数据集搭建一个平台方便大家去开展自己的研究。 Adversarial Networks、Uncertainty Aware Mean Teacher、Interpolation Consistency Training 等公开半监督算法搭建了一个简单的半监督医学图像分割的 我们在这个repo中总结了最新的半监督医学图像分割算法，及其代码，方便大家追踪和快速尝试。此外，该项目也会持续更新，及时的将最新的算法添加在该列表中。 2. 常用半监督算法实现 ?
1.9K30发布于 2020-11-11 - 来自专栏基于深度学习的图像增强
不同模态MRI医学图像合成
背景 医学影像对于不同疾病的诊断和治疗至关重要。通常不止一种成像模式参与临床决策，因为不同的模式常常提供互补的见解。 与CT相比，MRI更安全，不涉及任何辐射;但它比CT昂贵得多，而且没有放射治疗计划或PET图像重建所需的密度信息。 因此，近年来，研究人员极大地激发了从放射治疗计划中同一受试者对应的MR图像中估算CT图像的兴趣。医学图像合成可以在不需要实际扫描的情况下估计所需的成像模态。 主要贡献如下： 1.第一次将GAN应用到图像合成问题中，生成器有监督地学习不同模态地转换，判别网络作为loss项生成更真实的图像； 2.引入auto-context model进行迭代细化地学习，将上一次生成器得到的结果与原图像中的 到CT(2个数据集)及3T到7T(1个数据集)这两个任务上验证了该模型的作用 本文的网络结构就是普通的GAN，由生成器和判别器组成，不同的是，这里的生成器是有监督的学习过程，判别器的作用就是判断生成的图像是否为真实的目标图像还是合成的图像
1.4K20发布于 2020-07-21
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