- 综合排序
- 最热优先
- 最新优先
- 来自专栏腾讯高校合作
Wiztalk | 王连生 Part 2 《医学图像处理及其应用—医学图像处理现状、影响及案例》
医学图像处理及其应用 Part 2 医学图像处理现状、影响及案例 简介：医学图像处理的分类相信大家都有所了解，其现在的应用现状及影响又是如何呢？本期王连生老师将结合具体的案例，向我们一一道来。
50530发布于 2021-01-27 - 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)， 数字图像三要素： （1）像素：大小决定了图像存储、显示的清晰度； （2）灰度值：通常为0-255，因为在计算机中通常用一个字节来表示一个像素，即28。 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 - 来自专栏机器学习炼丹术
医学图像重建2 | CT&PET，比尔定律，衰减矫正
光子要达到1号探测器，需要经过衰减路径 L_1 ,根据比尔定律，这个衰减因子写成 e^{-\int_{L_1}\mu} .同样的，衰减路径 L_2 的衰减因子 e^{-\int_{L_2}\mu} . 因此这个一对光子被两个探测器同时检测到的概率就是两个概率的乘积，总的检测概率就是： e^{-\int_{L_1+L_2}\mu} L_1+L_2 刚好是整个直线L。
2.3K10编辑于 2023-03-16 - 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。 image.GetDirection()) log_image.SetSpacing(image.GetSpacing()) sitk.WriteImage(log_image, "log_image.mha") 2、
3.4K50发布于 2020-06-29 - 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。 常规扫描包括T1加权、T2加权成像，血管造影成像，以及动态增强成像等。 ，并且会在矢状位、轴位、冠状位和任意角度生成多个扫描序列 MRI是前列腺增生和前列腺癌诊断的常用检查手段之一，通常使用T1和T2扫描，使用最多的扫描方向为横轴位。 此外，也会选用动态增强扫描，弥散加权成像（DWI）和磁共振波谱成像（MRS） 对于肝脏，通常使用T1、T2扫描，以及动态增强扫描。 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。
2.6K31发布于 2019-09-10 - 来自专栏计算机视觉life
医学图像处理
[1,2]。 图2.结肠息肉的检测：不同息肉大小的FROC曲线，使用792测试CT结肠成像患者的随机视图ConvNet观察。 2、图像分割 医学图像分割就是一个根据区域间的相似或不同把图像分割成若干区域的过程。 使用特定图像融合技术的模态1与模态2的组合可以使医学诊断和评估改进 5、预测与挑战 1）数据维度问题-2D与3D：在迄今为止的大多数工作中，是在2D图像中进行处理分析。 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]. 中国医学物理学杂志, 2001; 18 (2) ：69~73 [18]汪家旺，愈同福，姜晓彤，等.肺部孤立性结节定量研究[J].中国医学影 像技术,2003,19(9)：1218~1219 [19]Ishihara
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。 sitk_mean.SetRadius(5) sitk_mean = sitk_mean.Execute(image) sitk.WriteImage(sitk_mean, 'sitk_mean.mha') 2、
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。 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 EXIT_FAILURE; } const std::string inputFilename(argv[1]); const std::string outputFilename(argv[2] ); unsigned int seedPosition[2]; seedPosition[0] = atoi( argv[3] ); seedPosition[1] = atoi( argv trialPoint(3); trialPoint[0] = seedPosition[0]; trialPoint[1] = seedPosition[1]; trialPoint[2]
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)
，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 （2）顺磁性物质的磁化强度的大小与外磁场的大小成正比，而且方向与外磁场方向相同。 8. fMRI数据结构 解析： （1）时间分辨率 （2）空间分布率 （3）结构图像：空间分辨率相对很高。 （2）fMRI往往用于研究大脑的具体功能，扫出来的是功能图像，也叫做T2*权重图像。虽然它的空间分辨率比较低， 但是时间分辨率很高，可以在很短的时间内扫出一叠功能图像。 OrganizationId=41 [2] 南方医科大学精品课程”医学影像学”：http://jpkc.fimmu.com/yx/yxbf/wljc1.htm [3] 医学影像学：http://course.jingpinke.com
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。 (sitk_open) sitk.WriteImage(sitk_open, 'step2.mha') # 3 array_open = sitk.GetArrayFromImage : sitk_src = dicomseriesReader(pathDicom) lstSeeds = [] seed1 = [246, 268, 835] seed2 sitk_floodfilled = FloodFilled(sitk_seg) sitk.WriteImage(sitk_floodfilled, 'step2.mha') # = sitk_notop.Execute(sitk_mask1) sitk.WriteImage(sitk_mask2, 'step3.mha') # 4 sitk_mask3
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。 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。 2、Canny边缘检测操作 Canny边检检测算法由4步组成的，（1）、对输入图像进行高斯滤波平滑，（2）、计算平滑图像的导数包括幅值和方向，（3）、导数幅值非最大值抑制：判断领域中心处与相邻像素导数赋值比大小 （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。
3.5K30发布于 2020-06-29 - 来自专栏landv
医疗数字阅片-医学影像-获取焦点的2种方式-ref
[OHIF-Viewers]医疗数字阅片-医学影像-获取焦点的2种方式-ref 前言 在React中，只要props或state发生改变，则render()方法必定执行，即DOM会更新。
72010发布于 2020-07-13 - 来自专栏往期博文
【数据挖掘】任务2：医学数据库MIMIC-III数据处理
= pd.DataFrame() a2["PO2"] = po2["VALUENUM"] a2["PCO2"] = pco2["VALUENUM"] a2["SUBJECT_ID"] = po2["SUBJECT_ID "] a2["HADM_ID1"] = po2["HADM_ID"] a2['采集时间'] = a2.index # 重置索引 a2.reset_index() # 根据采集时间从早到晚进行排序 a2. columns 对PO2和PCO2去噪结果进行可视化展示 # PO2去噪前后可视化 plo1 = pd.DataFrame() plo1['PO2去噪前'] = ipl['PO2'] plo1['PO2 ipl['PCO2'] plo2['PCO2去噪后'] = dno1['PCO2'] plo2.plot.hist(alpha=0.9) 对CHARTEVENTS表格中PO2和PCO2数据进行去噪 dno2 columns 对PO2和PCO2去噪结果进行可视化展示 # PO2去噪前后可视化 plo3 = pd.DataFrame() plo3['PO2去噪前'] = ipl2['PO2'] plo3['PO2
2.5K20编辑于 2022-09-01 - 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 - 来自专栏生物信息云
医学生物信息学文献第2期：肿瘤微环境
此外，BDCA-1+DC(CDC2s)在2个群组中均未显示与应答者状态相关的显著变化 (Fig. 1f)。 Flt3l-纯合报告小鼠注射异常的B16F10肿瘤，在肿瘤移植后2周，TFP作为Flt3l表达的读数，仅在淋巴细胞内检测到(Fig. 2b,c)。 在肿瘤中与能产生FLT3L的淋巴细胞间隔的IL2RG-/-：WT混合骨髓嵌合体相比，其淋巴细胞室不能产生FLT3L的IL2RG-/-：Flt3l-/-，CD 103+SDC的水平降低(图3b)。 为了直接比较SDC和NK细胞的数量，收集人黑色素瘤活检标本，消化成单细胞悬液，用流式细胞术进行分析(队列A；补充图2和补充表2)。 11、NK-SDC轴与抗PD-1免疫治疗的反应性相关 用于黑色素瘤群组A的综合流式细胞仪板对TME中的33个免疫群体进行定量(补充图2和补充表2)。
84230发布于 2019-08-07 - 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。 Dinkla2, Mark H.F. Savenije2, Peter R. Seevinck1, Cornelis A.T. van den Berg2, Ivana Isgum Code：https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix 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。 共285例数据，网络训练使用归一化到[-1,1]的2D切片，评价指标由PSNR,SSIM,NMSE。
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。 更激进的修剪方法，如L1和L2，可以进一步减少推理时间，但以显著的分割性能为代价。 在使用UNet++时，我们可以调整用例的层数。 计算方法为 2 × 预测值与ground truth的重叠面积除以预测值与ground truth之和的总面积。 这个度量指标的范围在0到1之间，其中1表示完全重叠。 [](Biomedical Image Segmentation UNet++.assets/1_jhyAYAhCHizWt2qkGJmkEg.jpeg) 从指标表来看，UNet++在IoU上超越U-Net
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。 [i]['add'], cooef2[i]['add'], FUSION_METHOD2) c4 = fuseCoeff(cooef1[i]['daa'], cooef2[i]['daa '], FUSION_METHOD2) c5 = fuseCoeff(cooef1[i]['dad'], cooef2[i]['dad'], FUSION_METHOD2) ddd'], cooef2[i]['ddd'], FUSION_METHOD2) dictobj = {'aad': c1, 'ada': c2, 'add': c3, 'daa': c4
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、SimpleITK图像的基本概念 SimpleITK中的图像概念与计算机视觉中的图像差异是非常大的，计算机视觉中的图像只是简简单单的多维矩阵，而SimpleITK中的图像是表示一种真实的物理实体，
2.9K51发布于 2020-06-29
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