- 综合排序
- 最热优先
- 最新优先
- 来自专栏3D视觉从入门到精通
汇总|医学图像数据集
®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。 数据介绍：先天性心脏病（CHD）图集代表来自患有各种先天性心脏病的成年人和儿童的MRI数据集，生理临床数据和计算机模型。 十一、森尼布鲁克心脏数据 数据下载链接：http://www.cardiacatlas.org/studies/ 数据介绍：Sunnybrook心脏数据（SCD）也称为2009心脏MR左心室分割挑战数据 十五、SCR数据库（胸部X光片中的分割） 数据下载链接：http://www.isi.uu.nl/Research/Databases/SCR/ 数据介绍：所有胸部X光片均取自JSRT数据库，这是一个公开可用的数据库
5.4K30发布于 2020-12-11 - 来自专栏about云
浅谈医学大数据（上）
其二人是目前研究医疗大数据及生物样本大数据真正的专家。现将两位的文章进行公开发表，与大家一起探讨。 没有数据保证，大数据分析就毫无意义。 复杂性：复杂性体现在数据的管理和操作上。IT时代，随着数据来源及数据量的爆发，各种不同渠道数据的大量涌现，数据的管理和操作已经变得原来越复杂。 IT时代涌现的还有各种网络社交媒体数据，比如曾经Google用来预测流感的数据。基因数据也是非常庞大的存在，一次全面的基因测序，产生的个人数据则达到 300GB (Leah, 2014)。 医疗大数据的利用可以从以下几方面减少浪费和提高效率 (Manyika, 以及其他人, 2011)： 临床操作：相对更有效的医学研究，发展出临床相关性更强和成本效益更高的方法用来诊断和治疗病人。 此外，医疗大数据的分析还有利于以下几方面的发展 (W.Raghupathi & Raghupathi, 2014)： 循证医学：结合和分析各种结构化和非结构化数据，电子病历，财务和运营数据，临床资料和基因组数据用以寻找与病症信息相匹配的治疗
93170发布于 2018-03-27 - 来自专栏最新医学影像技术
医学影像公开数据集
医学影像数据是非常珍贵的资源，收集和标注要耗费很大的人力和财力。今天这篇文章我将分享目前为止做过的医学影像诊断的一些公开数据集。 1、数字视网膜图像的血管提取（DRIVE）数据库 DRIVE数据库用于研究视网膜图像中的血管分割，由40组图像组成。 下载地址：http://www.isi.uu.nl/Research/Databases/DRIVE/download.php 2、肺图像数据库联盟（LIDC） 肺图像数据库联盟（LIDC）是支持一个机构联盟制定螺旋 CT肺部影像资源的共识指南，并建立螺旋CT肺部影像数据库。 下载地址：https://luna16.grand-challenge.org/download/ 3、右心室分割数据库(RVDS) 测量心脏功能第一步就依赖于心脏图像的心室分割。
3.3K40发布于 2020-06-29 - 来自专栏大数据文摘
大数据能修复医学吗？
经过几十年的技术落后，医学已经进入数据时代。移动通信技术、传感器、基因组测序以及分析软件的进步，现在有可能捕捉到关于我们的个体组成和周围环境的大量信息。 此信息的总和有可能改变医学，从旨在治疗一般患者转向治疗单独的患者，这样就能将控制权和责任更多地从医生转向患者。 问题是大数据真的能让医疗变得更好吗? “已经收集到大量数据。 但是还不够”，加州大学旧金山医学院信息事务股临时主任艾德.马丁说。“这的确关键在于开发出让数据在未来发挥作用的一系列应用。” “我们愿意相信，我们所做的大部分关于医学的事情都是基于事实。”岩生公司（Rock Health）董事总经理马来甘地说（岩生集团为医疗开发组融资）“有些是，但大部分不是。” 他表示，机会在于医学可能越来越依赖分析和证据。 数据也改变着患者的角色，为他们提供机会在自己的医疗方面扮演更核心的部分。其中一种方法是利用移动技术来监测睡眠状况、心脏速率、活动水平及其他。
90050发布于 2018-05-23 - 来自专栏3D视觉从入门到精通
医学图像开源数据集汇总
编辑丨极市平台 3D-IRCADB 脏器分割数据集 数据集链接：http://m6z.cn/6x5OSn 3D-IRCADb-01 数据库由 10 名女性和 10 名男性 75% 的肝肿瘤患者的 3D FASCICLE 小腿肌肉超声数据集 数据集链接：http://m6z.cn/631rex FAscicle 小腿肌肉超声数据集是一个由 812 幅小腿肌肉超声图像组成的数据集，用于分析肌肉弱点并预防受伤 肿瘤数据集 数据集链接：http://m6z.cn/5zCyGj 这一数据集是通过仔细注释几名患有不同器官肿瘤并在多家医院被诊断出的患者的组织图像获得的。 结直肠腺癌组织学图像数据集 数据集链接：http://m6z.cn/6axBLk 该数据集包含 100 张 H&E 染色的结直肠腺癌组织学图像。 淋巴结切片的组织病理学数据集 数据集链接：http://m6z.cn/6axBNq 本数据集由从淋巴结切片的组织病理学扫描中提取的 327.680 张彩色图像 (96 x 96px) 组成。
2.1K10编辑于 2022-06-28 - 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。 以上只是我初步列举的函数，这些函数都将是支持三维数据处理的。在这里我也向大家征集还需要添加哪些算法函数，可以直接在公众号留言或邮件发给我，我会斟酌考虑后，在后面的内容讲解中分享出来。 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。 除了这些跟图像相关的信息外，Dicom图像还有很多元数据(MetaData)，这些都是通过（关键字，数值）对（key，value）来存储表示的，不过在这里呢，我们暂时不需要太关心这些内容，这些元数据跟图像处理算法没有太大的相关性
2.9K51发布于 2020-06-29 - 来自专栏最新医学影像技术
医学影像公开数据集（七）
在前面的文章中曾分享过一些公开数据集，今天我将继续分享2024年度医疗公开数据集给大家。 1、BvEM2024数据集 BvEM2024是小鼠、猕猴和人类皮质上对 3D 血管实例分割。 将数据分为包含 8,000个样本的训练集和包含2,000个样本的测试集。该数据集的集体平均年龄为60.3 ± 16.5 岁。 该数据库由约 57,000 张2D 图像组成。 这是提出使用盲扫数据进行胎儿生物测量任务的第一个挑战。目标是开发人工智能模型并对其进行基准测试，用于在这种特定数据类型上自动测量胎儿腹围，旨在扩大资源有限地区的产前护理的可及性。 SetA是与ToothFairy2023相重叠的数据一共包含417例，SetB是新的数据一共包含63例，数据格式是mha的格式，分割类别一共有48个类别。
1.9K11编辑于 2024-06-05 - 来自专栏最新医学影像技术
医学影像公开数据集（三）
在前面的两篇文章中已经分享过一些公开数据集，今天我将继续分享kaggle上可下载的医学影像公开数据集给大家。 2、肺血管分割数据集 访问链接是： https://www.kaggle.com/andrewmvd/lung-vessel-segmentation 一共提供了23例带肺部区域标注的数据，训练数据有 20例，测试数据有3例。 数据及标注结果如下图所示。该数据是可以直接在上述链接上下载的，下载之后，在后续的文章中会分享具体肺分割实现过程。 之前的两篇文章的公开数据下载可访问这两篇医学影像公开数据集，医学影像公开数据集（续）。
2.9K20编辑于 2022-08-20 - 来自专栏作图丫
癌症医学图像数据库TCIA
导语 GUIDE ╲ 癌症图像档案 （The Cancer Imaging Archive，TCIA）是一项可以de-identify和托管可供公众下载的大量癌症医学图像的服务。 数据库介绍 癌症图像档案 （The Cancer Imaging Archive，TCIA）是一项可以de-identify和托管可供公众下载的大量癌症医学图像的服务。 2015年10月，Prior博士和TCIA核心团队从华盛顿大学梅林克勒德学院放射科研究所迁至阿肯色大学医学院（UAMS）生物医学信息系。 dcm文件是一种数位成像，广泛运用于医学领域，但并不是仅仅局限于医学。本身dcm只是一种特殊的图像文件，它可以用来存储各种图像信息，这种特殊的图像文件也只能用专用的软件才能打开。 为了实现这一目标，TCIA连接临床图像与患者基因组数据和蛋白质组数据的数据集。
9.4K32编辑于 2022-03-28 - 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PPV课数据科学社区
人工智能与医学(1)：基于大数据的智能医学知识学习
话说Deep Learning 深度学习(Deep Learning)是目前人工智能领域中最热门的科目之一，它能完成笔迹识别，面部识别，自动驾驶汽车，自然语言处理，语音识别，分析生物信息数据等非常复杂的任务 深度学习系统能够从大量的非结构数据中获取复杂信息。第二种算法是增强学习，这种决策系统的灵感源自动物大脑中的神经递质多巴胺奖励系统。 人工智能的快速发展必然对未来的医学产生深远影响。例如，前面提到的基于大数据之上的深度学习和增强学习等技术完全可以用于更广泛的医学领域，发展成为人工智能医学专家。那人工智能到底是什么技术呢? 未来的医学人工智能，除了更大规模地存储、识别、积累来自更广泛的医学知识(医学大数据)外，还能够主动地学习临床诊疗方法。 即使这样，要实现上述的目标，现在看来还要走相当的路，但技术上必然要应用到医学大数据技术和更多的、更具创新性的数据挖掘技术、人工智能等技术。我们可以期待，新一代的人工智能医学专家迟早会到来的。
1.7K70发布于 2018-04-20 - 来自专栏大数据文摘
生物医学大数据：现状与展望
1．生物医学大数据的来源：以下因素促进了生物医学领域大数据的出现。①生命的整体性和疾病的复杂性。 2．生物医学大数据的应用：生物医学大数据可应用于以下方面。①开展组学研究及不同组学间的关联研究。 生物医学大数据面临的主要问题：①如何实现生物医学数据的标准化和规范化。数据标准化是数据共享的前提，只有标准化的数据才能有效融合与整合，从而发挥大数据的价值。 ②如何打破数据孤岛，实现生物医学数据共享。 生物医学领域数据特别庞大，产生和更新速度更快，其存储方式不仅影响数据分析效率，也影响数据存储的成本。 ④如何实现生物医学大数据的高效利用。 特别是对半结构化和非结构化数据（如心电图、医学影像资料）和对流数据（实时视频、传感器数据、医疗设备监测数据）的处理，是生物医学大数据分析面临的重要挑战。 ⑥生物医学和信息科学的复合型人才缺乏。
3.2K50发布于 2018-05-23 - 来自专栏PPV课数据科学社区
【案例】浅谈医学大数据是怎么回事？
没有数据保证，大数据分析就毫无意义。 复杂性：复杂性体现在数据的管理和操作上。IT时代，随着数据来源及数据量的爆发，各种不同渠道数据的大量涌现，数据的管理和操作已经变得原来越复杂。 医疗大数据的利用可以从以下几方面减少浪费和提高效率 (Manyika, 以及其他人, 2011)： 临床操作： 相对更有效的医学研究，发展出临床相关性更强和成本效益更高的方法用来诊断和治疗病人。 此外，医疗大数据的分析还有利于以下几方面的发展 (W.Raghupathi & Raghupathi, 2014)： 循证医学：结合和分析各种结构化和非结构化数据，电子病历，财务和运营数据，临床资料和基因组数据用以寻找与病症信息相匹配的治疗 在医疗大数据带来各种优势的同时，大数据随之带来的各种特性使得传统的数据处理和数据分析方法及软件捉襟见肘，问题多多。 大数据与传统数据思路上的不同导致了分析流程的不同，如图一所示： 图一 ? 面对海量的数据和不同的分析思路，大数据的管理和分析与传统数据分析的差异日益加大。
1.6K30发布于 2018-04-23 - 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 log_image.SetSpacing(image.GetSpacing()) sitk.WriteImage(log_image, "log_image.mha") 2、幂次变换 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 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。
3.3K50发布于 2020-06-29 - 来自专栏DrugOne
生物医学组学数据分类Deep Centroid
摘要 动机 使用生物医学组学数据对样本分类是生物医学研究中广泛采用的方法。然而，数据集通常具有挑战性的特征，包括高维度、有限的样本量以及不同来源的固有偏差。 这些因素限制了传统机器学习模型的性能，尤其是在应用于独立数据集时。 将Deep Centroid应用于3个精准医学应用：癌症早期诊断、癌症预后和药物敏感性预测。使用无细胞DNA片段化、基因表达谱和DNA甲基化数据。 强调了Deep Centroid在生物医学组学数据分类中的应用前景，特别是在精准医学领域。 图1 Deep Centroid模型结构的示意图。 (c) 基因表达数据中扫描的重要特征的功能注释结果。(d) DNA甲基化数据中扫描的重要特征的功能注释结果。 图5 消融实验结果。
16400编辑于 2025-02-18 - 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
99620发布于 2019-05-26 - 来自专栏CV学习史
医学图像了解
像素所表达的具体数值是由成像设备、成像协议、影像重建以及后期加工所决定的 医学图像有四个关键成分——像素深度、光度表示、元数据和像素数据。 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 ，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。
2.6K31发布于 2019-09-10 - 来自专栏计算机视觉life
医学图像处理
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。 对医学图像的解释大多数都是由医生进行的，然而医学图像解释受到医生主观性、医生巨大差异认知和疲劳的限制。 用于图像处理的典型CNN架构由一系列卷积网络组成，其中包含有一系列数据缩减即池化层。 利用2891次心脏超声检查的数据集，Ghesu等结合深度学习和边缘空间学习进行医学图像检测和分割[12]。 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。 当没有足够的数据时，有几种方法可以继续：1）迁移学习：从自然图像数据集或不同医学领域预训练的CNN模型（监督）用于新的医疗任务。在一个方案中，预先训练CNN应用于输入图像，然后从网络层提取输出。
4.3K42发布于 2019-07-10 - 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
涉及到的预处理方法包括插值，去噪，缺失值填充，离群点数据处理，可视化等。 数据集说明 patients:包含所有患者数据。 chart_events：包含了所有可供患者使用的图表数据。 这是因为在病人的电子图上显示实验室值是可取的，因此这些值是从存储实验室值的数据库复制到存储chartevent的数据库中。 提取LABEVENTS表格中PO2和PCO2数据 # 根据采集时间来读取数据 df = pd.read_csv('mini_label_events.csv', index_col='CHARTTIME ，将这些数据进行删除处理 ipl2.dropna(axis='index', how='any', inplace=True) # any表示只要有一个缺失值则整行删除 处理后的数据如下表所示 ipl2 我选择删除偏离均值三倍标准差数据的方式进行去噪。
2.4K20编辑于 2022-09-01 - 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。
5.2K21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