- 综合排序
- 最热优先
- 最新优先
- 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)， 图像数据： 生活中是二维的，医学上通常还有3维和4维的。比如在关注心脏跳动的时候，不仅关注其三维结构，还要关注时间轴变化。 三维图像：一个像素描述成一个体素。 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。
1.7K10编辑于 2022-07-31 - 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。
3.4K50发布于 2020-06-29 - 来自专栏最新医学影像技术
2018Medical Segmentation Decathlon——10项医学分割任务之task10结肠癌分割
今天将分享10项医学分割任务之task10结肠癌分割完整实现版本，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。 医学成像领域的许多关键算法通常在少数任务上得到验证，限制了我们对所提出贡献的普遍性的理解。本着AutoML的精神，一个在许多任务上开箱即用的模型将对医疗保健产生巨大影响。 医学成像领域也缺少一个完全开源和全面的通用算法验证和测试基准，涵盖大范围的挑战，例如：小数据、不平衡标签、大范围对象尺度、多类标签，以及多模态成像等。 这个挑战和数据集旨在通过针对几个高度不同的任务的大型医学成像数据集的开源，以及通过标准化分析和验证过程来提供此类资源。 二、Medical Segmentation Decathlon2018任务 MSD 挑战测试了机器学习算法在应用于 10 种不同的语义分割任务时的普遍性。
47410编辑于 2024-01-15 - 来自专栏机器学习、深度学习
医学图像分割
Topology Aware Fully Convolutional Networks For Histology Gland Segmentation
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。 ，分别为DICOM（医学数字成像和通讯）、NIFTI（神经影像信息技术）、PAR/REC（Philips磁共振扫描格式）、ANALYZE（Mayo医学成像）、NRRD（近原始栅格数据）和MNIC 现代神经影像学技术 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。 Hounsfield Unit)，下表是不同放射剂量对应的组织器官 substance HU 空气 -1000 肺 -500 脂肪 -100 ~ -50 水 0 CSF 15 肾 30 血液 30 ~ 45 肌肉 10
2.6K31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。 目前，医学图像处理主要集中表现在病变检测、图像分割、图像配准及图像融合四个方面。 用深度学习方法进行数据分析呈现快速增长趋势，称为2013年的10项突破性技术之一。 [10,11]。 图10 PSR，MIND，ESSD，WLD和NMI方法的CT-MR图像配准。 Springer, Cham, 2016. [10]Pham D L , Xu C , Prince J L .
4.3K42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。 参数设置就是统计均值计算的半径大小，这里可以xyz方向上都一样的半径大小，也可以设置成不同的半径大小，在这里我们设置成5，就意味着是10x10x10区域里计算均值滤波的结果。 参数设置就是统计中值计算的半径大小，这里可以xyz方向上都一样的半径大小，也可以设置成不同的半径大小，在这里我们设置成5，就意味着是10x10x10区域里计算中值滤波的结果。
5.3K21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。 #include <cstdlib> namespace sitk = itk::simple; int main(int argc, char *argv[]) { if ( argc < 10 __future__ import print_function import SimpleITK as sitk import sys import os if len(sys.argv) < 10
4.5K63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)
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 10. MRI与fMRI 解析： （1）MRI扫的是大脑的结构图像，也叫T1权重图像。它有着很高的空间分辨率，可以从中看到非常清晰的解剖结 构，也可以从中区分出各种不同的组织。 Utilities （8）nilearn.regions: Operating on regions （9）nilearn.mass_univariate: Mass-univariate analysis （10 （10）可视化：对结果进行可视化，并估计效应量。 21. 神经元与神经系统 解析：神经元，又称神经原或神经细胞，是构成神经系统结构和功能的基本单位。 courseId=6987 [10] 医学影像学：http://basic.shsmu.edu.cn/jpkc/radiology/index.asp [11] 医学影像学课程：http://netclass.csu.edu.cn
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。
4.7K54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。
3.5K30发布于 2020-06-29 - 来自专栏HyperAI超神经
医学AI又一突破，微软开源生物医学NLP基准：BLURB
Natural Language Processing 生物医学特定领域的语言模型预训练》，介绍并开源了一个能够用于生物医学领域 NLP 基准，并命名为 BLURB。 医学 NLP 基准，BLURB 身负重任 BLURB 包括 13 个公开可用的数据集，涉及 6 个不同的任务。 生物医学 NLP ：必须使用域内文本 研究已经表明生物医学 NLP 可以在医学领域提高数据集的准确性。但是在跨学科的数据集中，准确性又会大大降低。 而由于不同医学领域之间（Domain）跨度较大，所以对于 NLP 的预训练会花费非常多的时间。 同时，为了鼓励对生物医学 NLP 的研究，研究人员创建了以 BLURB 基准为基准的排行榜，还开源了预训练模型。以求快速生物医学 NLP 能够早日投入使用。
97910发布于 2020-08-13 - 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。 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。
1.6K20发布于 2020-09-07 - 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。 训练和结果 优化这个模型，训练50多个epoch，使用Adam优化器，学习率1e-4，学习率衰减率为没10个epochs乘以0.1， 损失函数是二元交叉熵和Dice 系数的组合。
1.7K21发布于 2020-11-23 - 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。 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。 image wavelet = 'db2' """ haar family: haar db family: db1, db2, db3, db4, db5, db6, db7, db8, db9, db10 , db33, db34, db35, db36, db37, db38 sym family: sym2, sym3, sym4, sym5, sym6, sym7, sym8, sym9, sym10 sym18, sym19, sym20 coif family: coif1, coif2, coif3, coif4, coif5, coif6, coif7, coif8, coif9, coif10
2.9K20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（一）——医学算法数据的基本概念
从今天起我将开始分享医学图像处理基础算法课程，从最基本的函数开始，分享函数的原理，函数API参数讲解，每篇都会给出一个示例。 1、如何安装Python版本的SimpleITK包 为了快速上手算法开发，采用Python版本的SimpleITK开发包来完成医学图像处理算法开发。
2.9K51发布于 2020-06-29 - 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。 训练和结果 优化这个模型，训练50多个epoch，使用Adam优化器，学习率1e-4，学习率衰减率为没10个epochs乘以0.1， 损失函数是二元交叉熵和Dice 系数的组合。
1.7K30编辑于 2022-04-06 - 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 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。 包括没有息肉，6-9mm息肉和大于10mm息肉的患者的数据。该系列中有825例带有XLS片的病例，提供了息肉描述及其在结肠段中的位置。 ? ?
5.4K30发布于 2020-12-11 - 来自专栏最新医学影像技术
2018Medical Segmentation Decathlon——10项医学分割任务之task6肺部肿瘤分割
今天将分享10项医学分割任务之task6肺部肿瘤分割完整实现版本，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。 医学成像领域也缺少一个完全开源和全面的通用算法验证和测试基准，涵盖大范围的挑战，例如：小数据、不平衡标签、大范围对象尺度、多类标签，以及多模态成像等。 这个挑战和数据集旨在通过针对几个高度不同的任务的大型医学成像数据集的开源，以及通过标准化分析和验证过程来提供此类资源。 二、Medical Segmentation Decathlon2018任务 MSD 挑战测试了机器学习算法在应用于 10 种不同的语义分割任务时的普遍性。 2、分析步骤1ROI图像信息，得到图像spacing平均大小是0.78x0.78x1.2，因此将图像缩放到固定spacing大小0.7x0.7x0.7，然后在随机裁切出10个256x240x256大小patch
65730编辑于 2023-09-20 - 来自专栏AiCharm
医学多模态大模型LLaVA-Med | 基于LLaVA的医学指令微调
在本文中，我们提出了用于生物医学领域的大型语言和视觉助手（LLaVA-Med），这是首次尝试将多模态指令调整扩展到生物医学领域，进行端到端的训练以开发生物医学多模态对话助手。 已经证明，针对生物医学自然语言处理（NLP）应用和生物医学视觉-语言（VL）任务进行领域特定的预训练是有效的。 我们提出了一种新颖的课程学习方法，将LLaVA调整到生物医学领域，使用我们自动生成的生物医学多模态指令遵循数据进行微调。 (iii) 10K。一个较小的数据集（10个样本），没有IM。它们用于实验中对我们的数据生成策略及其对经过训练的LLaVA-Med的影响进行消融实验分析。 经过完整的两阶段训练的LLaVA-Med持续优于一般领域的LLaVA，并且使用更大的指导数据（从10K到60K样本）会导致更高的性能。
3.4K20编辑于 2023-07-26
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