- 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)， （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。 （3）彩色图像： 包含更加丰富的信息，实际上时3个灰度图像的叠加，R/G/B的channel的混合。 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
医学图像处理案例（十一）——3D骨架提取算法
1、常见3D骨架提取算法 常见的两种图像细化方法有（1）、核滤波器，（2）、决策树。 决策树方法是迭代处理26邻域内中目标和背景体素所有可能的二进制组合，并在每次迭代时找到所有可删除的表面点，虽然该方法仅限于2D和3D，但却比形态滤波器运算速度快。 2、使用ITK函数来实现3D骨架提取算法 ITK的函数中只支持2D骨架提取算法，但有大牛写了基于ITK的3D骨架提取算法，C++源码下载请见原文链接。 该函数非常简单，只需要输入二值化的图像即可，输出是3D骨架图像。 (image) itk.imwrite(thining_map, output_filename) 3、血管3D骨架提取效果 如图所示是血管二值图像，图中红色点目标就是3D血管骨架结果。
5.1K20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（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。 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 np_image_clone1 = (np_image_clone1 - np_image.mean()) / np_image.std() np_power_image = np.power(np_image_clone1, 3) image.GetDirection()) power_image.SetSpacing(image.GetSpacing()) sitk.WriteImage(power_image, "power_image.mha") 3、 sitk.AdaptiveHistogramEqualizationImageFilter() sitk_hisequal.SetAlpha(0.9) sitk_hisequal.SetBeta(0.9) sitk_hisequal.SetRadius(3)
3.4K50发布于 2020-06-29 - 来自专栏arXiv每日学术速递
ImgX-DiffSeg：基于 DDPMs 的 3D 医学图像分割
ImgX-DiffSeg：基于 DDPMs 的 3D 医学图像分割 前言 本篇文章继续解读医学图像 diffusion 系列，之前我们分别介绍过在自监督和有监督分割中的 diffusion 应用。 基于 diffusion adversarial representation learning 的血管分割 MedSegDiff：基于 Diffusion Probabilistic Model 的医学图像分割 而这次的《Importance of Aligning Training Strategy with Evaluation for Diffusion Models in 3D Multiclass Segmentation》这篇文章并不是一种新的 diffusion 应用，而是对训练和推理策略进行优化，并适应 3D 的医学图像分割任务，参考链接在文末。 实验 实验分别基于 MRI 和 CT 图像数据集， 值得注意的是，ImgX-DiffSeg 在 3D 上的表现是好于 2D 数据集的，如下表所示。
93840编辑于 2023-08-26 - 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。 使用MNI标准模板，就表示把图像转换至MNI空间了 脑成像数据主要有DTI、FMRI、3D三种模态。 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。 DICOM是以3D图像片段的格式储存的。 NIFTI的每一张3D图像中只需储存两个文件，而在DICOM中则要储存更多文件。
2.6K31发布于 2019-09-10 - 来自专栏GiantPandaCV
ImgX-DiffSeg：基于 DDPMs 的 3D 医学图像分割
ImgX-DiffSeg：基于 DDPMs 的 3D 医学图像分割 本篇文章继续解读医学图像 diffusion 系列，之前我们分别介绍过在自监督和有监督分割中的 diffusion 应用。 基于 diffusion adversarial representation learning 的血管分割 MedSegDiff：基于 Diffusion Probabilistic Model 的医学图像分割 而这次的《Importance of Aligning Training Strategy with Evaluation for Diffusion Models in 3D Multiclass Segmentation》这篇文章并不是一种新的 diffusion 应用，而是对训练和推理策略进行优化，并适应 3D 的医学图像分割任务，参考链接在文末。 实验 实验分别基于 MRI 和 CT 图像数据集， 值得注意的是，ImgX-DiffSeg 在 3D 上的表现是好于 2D 数据集的，如下表所示。
66150编辑于 2023-08-25 - 来自专栏计算机视觉life
医学图像处理
3、图像配准 图象配准是图象融合的前提，是公认难度较大的图象处理技术，也是决定医学图象融合技术发展的关键技术。 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。 3）迁移学习和微调：在医学成像领域中获取与ImageNet一样全面注释的数据集仍然是一个挑战。 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]. 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
4.3K42发布于 2019-07-10 - 来自专栏最新医学影像技术
VT-UNet——基于transformer的医学3D分割网络
提出的设计是一个计算效率高的模型，在医学分割十项全能 (MSD) 脑肿瘤分割 (BraTS) 任务上具有竞争力和有希望的结果。进一步表明，对数据损坏的情况我们的模型学习到的表示是具有鲁棒性的。 VT编码器由 3D补丁分区层和线性嵌入层组成，3D补丁合并层后跟着两个连续的VT编码器块。 a、3D补丁分区。基于Transformer的模型使用一系列标记。 VT-UNet的第一个块接受D × H × W × C维医学体数据（例如 MRI），并通过将3D体积拆分为不重叠的3D块来创建一组标记（见图 b)。 网络瓶颈层由VT-Enc-Blk和3D补丁扩展层组成，VT解码器从连续的VT解码器块(VT-Dec-Blks)、3D补丁扩展层和以产生最终预测的分类器组成。 a、3D补丁扩展。 三、结论 (1)、从序列到序列的角度重新制定了体分割，并提出了一种用于多模态医学图像分割的UNet形状体Transformer。
2.7K20编辑于 2023-09-20 - 来自专栏最新医学影像技术
医学图像处理案例（十）——SIFT3D（3D尺度不变特征变换）算法
今天我将分享如何在医学图像上提取SIFT关键点特征。 一、SIFT3D算子 上述SIFT算子用于二维图像关键点检测，医学影像一般都是三维图像，所以要用SIFT3D算子来进行关键点检测。 二、SIFT3D算子实现 论文作者也公开了SIFT3D算子的实现代码，详细见原文链接。 使用的时候也是比较简单的，SIFT3D_detect_keypoints（）函数用来找图像中的关键点，SIFT3D_extract_descriptors（）函数是计算关键点的描述符即特征向量，代码如下 // Detect keypoints if (SIFT3D_detect_keypoints(&sift3d, &im, &kp)) goto demo_quit; printf(" \n", keys_path); // Extract descriptors if (SIFT3D_extract_descriptors(&sift3d, &kp, &desc))
3.4K20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（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_median.SetRadius(5) sitk_median = sitk_median.Execute(image) sitk.WriteImage(sitk_median, 'sitk_median.mha') 3、
5.3K21发布于 2020-06-29 - 来自专栏DeepHub IMBA
处理医学时间序列中缺失数据的3种方法
在这些医学图表的趋势、模式、高峰和低谷中嵌入了大量有价值的信息。医疗行业要求对医疗时间序列数据进行有效分析，这被认为是提高医疗质量、优化资源利用率、降低整体医疗成本的关键。 一种有前途的医学时间序列分析形式是通过RNN来实现。RNN 因其建模能力和可以处理可变长度输入序列的能力而受到医学研究人员的欢迎。 在这篇文章，我们将回顾 3 种简单的方法来处理与 RNN 一起使用的时间序列研究中缺失的医学数据。后一种方法都是建立在前一种方法的基础上，具有更高的复杂性。因此强烈建议按照它们出现的顺序阅读。 衰减因子 γ 由权重矩阵 W 和偏差 b 确定，应用于时间距离 δ（参见公式 3），然后发送到上限为 1 的反向 exp 函数。W 和 b 在时间步长和在训练期间共同学习。 总结 在这篇文章中，我们介绍了医学时间序列数据研究的背景，并提出了3种专为rnn设计得缺失数据填补得简单的方法，这三种方法都可以产生更好的结果，如果你有兴趣可以在实际应用中实验以下。
1.1K40编辑于 2022-11-11 - 来自专栏不能显示专栏创建者
苹果将使用研究应用程序进行3项医学研究(Security)
苹果最近宣布将通过其研究应用程序开展三项研究，从而进入医学研究领域。 美国的Apple Watch和iPhone用户可以使用该应用程序参加苹果女性健康研究、苹果心脏运动研究和苹果听力研究。 美国加州创意策略公司(Creative Strategies)总裁蒂姆·巴贾林(Tim Bajarin)指出，通过苹果广泛的客户群体，医学研究人员可以从这些研究收集数千个课题的能力中获益。
1K10发布于 2019-12-09 - 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。 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） std::string outputFilename(argv[2]); unsigned int seedPosition[2]; seedPosition[0] = atoi( argv[3] gradientMagnitudeOutput ); sitk::FastMarchingImageFilter fastMarching; std::vector< unsigned int > trialPoint(3) sys.exit(1) inputFilename = sys.argv[1] outputFilename = sys.argv[2] seedPosition = (int(sys.argv[3]
4.5K63发布于 2020-06-29 - 来自专栏数据派THU
处理医学时间序列中缺失数据的3种方法
来源：Deephub Imba本文约1700字，建议阅读9分钟本文为你介绍了医学时间序列数据研究的背景，并提出了3种专为rnn设计的缺失数据填补方法。 一种有前途的医学时间序列分析形式是通过RNN来实现。RNN 因其建模能力和可以处理可变长度输入序列的能力而受到医学研究人员的欢迎。 在这篇文章，我们将回顾 3 种简单的方法来处理与 RNN 一起使用的时间序列研究中缺失的医学数据。后一种方法都是建立在前一种方法的基础上，具有更高的复杂性。因此强烈建议按照它们出现的顺序阅读。 衰减因子 γ 由权重矩阵 W 和偏差 b 确定，应用于时间距离 δ（参见公式 3），然后发送到上限为 1 的反向 exp 函数。W 和 b 在时间步长和在训练期间共同学习。 总结 在这篇文章中，我们介绍了医学时间序列数据研究的背景，并提出了3种专为rnn设计的缺失数据填补的简单方法，这三种方法都可以产生更好的结果，如果你有兴趣可以在实际应用中实验一下。
1.2K10编辑于 2022-09-19 - 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)
3. 脑成像数据模态 [16] 解析：脑成像数据主要有DTI、FMRI、3D三种模态。其中，DTI，3DT1是三维数据，FMRI是四维数据。 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。 （4）功能图像：时间分辨率相对很高。 9. （3）梯度回波信号（GrE）：较新的可大大缩减磁共振扫面时间的用以重建图像的信号，又称场回波。 说明：MPRAGE即快速梯度回波成像。 19. （3）头动校正：校正头动，将扫描的时间序列图像重新对准。 （4）层间时间校正：校正图像不同层之间的时间差异。 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 = GetLargestConnectedCompont(sitk_open) sitk.WriteImage(sitk_open, 'step2.mha') # 3 ') sitk_trachea = GetMaskImage(sitk_src, sitk_mask, replacevalue=-1500) return sitk_trachea 3、 mha') # 4 sitk_mask3 = FillHole(sitk_mask2) sitk.WriteImage(sitk_mask3, 'step4.mha') 代码： def vessleSegment(pathDicom): sigma_minimum = 0.2 sigma_maximum = 3.
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 （3）、非极大值抑制是一种边缘稀疏技术，非极大值抑制的作用在于“瘦”边。对图像进行梯度计算后，仅仅基于梯度值提取的边缘仍然很模糊。但是边缘有且应当只有一个准确的响应。 sitk.CannyEdgeDetectionImageFilter() canny_op.SetLowerThreshold(40) canny_op.SetUpperThreshold(120) canny_op.SetVariance(3)
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。 合成 ②设计两种策略学习edge信息，gEaGAN只在生成器种约束edge map；dEaGAN同时在生成器和判别器中利用edge信息，与直接使用梯度相比，对噪声更不敏感且更注重邻域信息 关于图像边缘和3D 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
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