提供了一系列图像。大家根据数据集图像情况看是否下载整个数据集 NIH临床中心最新公布了一个迄今规模最大的多类别、病灶级别标注临床医疗CT图像开放数据集DeepLesion，研究人员在此基础上训练深度神经网络，创建了一个具有统一框架的大规模通用病灶检测器，能够更准确、更自动地衡量患者体内所有病灶的大小，实现全身范围的癌症初步评估。 4427名独立的匿名患者 10594次CT扫描（平均每位患者有3次随访） 32735个带标记的病灶实例 一共928020张CT横切图像（512×512分辨率） 这就是美国国家卫生研究院（NIH）临床中心最新公开发布的大型CT图像数据集DeepLesion，也是迄今全球规模最大的多类别、病灶级别标注的开放获取临床医疗图像数据集。

很经典的滤波反投影程序 C语言写的 希望能帮助大家

二维滤波反投影重建算法，旋转角度为0-180度，测试后发现略有角度偏移，希望各位指正。

Tensorflow实现“ CT结肠造影中具有有限数据集的息肉候选者检测的3D卷积神经网络框架”，Chen Yizhi，2018年，EMBC。 版权保留。 免费提供各种用于研究目的的复制和修订。 在Tensorflow1.4，Python2.7，Ubuntu16.04下 文件结构 您应该参考Configuration.py以全面了解程序和数据库的文件结构。 数据输入 为了避免训练时加载完整尺寸的CT卷所需的大量时间，我们将首先裁剪该卷，然后将它们组织为单独的POLYP DATASET。 像Configuration.py中一样准备CT结肠造影数据。 在文本文件中列出所有CT卷的目录。 在Configuation.py中修改几个重要的目录变量。 运行dataBase.py以构造信息文件和息肉数据集。 训练 “ cd version2”和“ python train.py --fold

急性阑尾炎的CT诊断.ppt

matlab脑部代码脑部MR和CT合成 这是用于脑部CT和MRI的基于模型的图像合成（翻译）的代码。 给定有效输入模态（MR-T1w，MR-T2w，MR-PDw，CT）的任何组合，将综合缺少的模态。 例如，如果对象仅进行了T1w扫描，则将合成CT，PDw和T2w扫描： 该实现是在MATLAB中完成的，并且取决于SPM12软件包（及其MB工具箱）。 该代码应该适用于原始图像; 也就是说，预先进行最少的预处理。 此外，由于它是完全不受监督的，因此不需要任何培训。 如果您认为该代码有用，请考虑在“参考”部分中引用该出版物。 依存关系 该算法是使用MATLAB开发的，并依赖于SPM12软件的外部功能。 因此，以下是必需下载的文件，需要将其放置在MATLAB搜索路径中（使用addpath ）： SPM12：从下载。 拍摄工具箱： SPM12工具箱目录中的“拍摄”文件夹。 纵向工具箱： SPM12工具箱目录中的“纵向”文件夹。 Multi-Brain工具箱：下载/克隆并按照安装说明进行操作。 用例范例 此示例代码从输入的T1w MRI合成CT，PDw和T2w扫描。 输出将写在odir文件夹中，前缀

CT图像重建的MATLAB程序

在2月份真实病例数据上的实验结果揭示，基于深度学习的模型在更短的时间内取得了与专家放射科医师相当的效果。它在提高诊断效率、减轻一线放射科医师的工作压力、加快COVID19患者的诊断、隔离和治疗等方面具有巨大的潜力，有助于控制疫情。

在做医学图像加密领域的毕设过程中找到的，有DICOM格式的CT影像（512*512*16b）和MR影像（256*256*16b,512*512*16b)，还有几张更大尺寸的BMP格式医学图像，希望可以帮到在找数据的你~

为将肺实质区域从含有背景、噪声的胸腔区域里分割出来，首先，应用传统的区域生长法初步定位肺部边界轮廓；其次，去除肺部边界噪声，采用自适应曲率阈值法修复肺部边界；最后，应用水平集法中的DRLSE模型精确地分割出肺部区域。融合两种方法分割肺部区域，有效防止了图像边缘的漏检，可处理多种类型病变的肺部图像。在随机抽取的150例图像中，分割的准确率达到96.9%，分割一幅图像花费的时间约为0.72 s，具有很强的鲁棒性和较高的分割精度。本算法能精确完整地分割出肺部区域并保留了肺区内的细节信息。