LIDC-IDRI (The Lung Image Database Consortium)，该数据集由胸部医学图像文件 (如CT、X光片)和对应的诊断结果病变标注组成。 该数据是由美国国家癌症研究所 (National Cancer Institute)发起收集的，目的是为了研究高危人群早期癌症检测。 该数据集中，共收录了1018个研究实例。里面包涵dicom 和 xml 文件

基于感知哈希的鲁棒3D医学图像检索算法

医学数据和label1叠加显示，支持放大缩小，非常方便实用。

肺炎是一种严重威胁人类健康的疾病,及时、准确地检测出肺炎可以尽早帮助患者接受治疗。因此,提出了一种基于YOLOv3改进的Multi branch YOLO检测算法。用多分枝膨胀卷积输出的特征代替YOLOv3中不同层级的特征进行检测,在多分枝卷积神经网络中引入Boosting思想,并使用最大化熵方法优化网络。将每个卷积分枝视为一个弱分类器,通过最大化熵方法使每个分枝学习到相近的检测能力,避免多分枝卷积模型退化成单分枝卷积模型。基于北美放射学会提供的肺部X射线影像进行实验,结果表明,该算法在实验数据集上的检测准确率高于其他目标检测算法。

VTK 编译好的头文件和静态链接库 Visual studio可用 为不想下载CMAKE编译的朋友节省时间 VTK 5.8版本

DCM文件是遵循DICOM (DICOM：Digital Imaging and Communications in Medicine，医疗数位影像传输协定)标准的一种文件，而DICOM标准支持的设备包括心电图、核磁共振成像 、血管镜 、超声心动图等多种医疗设备，因而DCM文件被广泛应用于医疗行业。 DCM格式文件用MedImaView、、Millensys DICOM MiniViewer、DICOM Viewer等软件打开。

基于医学图像的分割，matlab源程序，基于小波变换的图像分割技术

图像边缘检测在医学中有很重要的应用，针对此提出了一种新的边缘检测方法，首先采用canny算子对图像进行边缘检测，然后对检测后的图像轮廓跟踪。

一种新颖的医学图像锐化增强算法，通过微分算子实现医学图像的增强

深度学习是分割复杂医学图像的强大方法。 该演示演示了如何准备用于训练的像素标签数据，以及如何基于VGG-16创建，训练和评估SegNet 将血涂片图像分为 3 类——血液寄生虫、血细胞和背景。深度学习是医学成像中最强大的方法之一。在这个演示中，我们将介绍从为网络学习准备标签图像、创建和学习 SegNet 到评估的一系列步骤。使用的图像是血涂片图像，使用 SegNet 将其分为 3 类（红细胞、病原体、背景）。 [Keyward] 图像处理、分割、深度学习、深度学习、demo、IPCV 演示、神经网络、医学图像