深度学习在医学图像分割中应用，武星，，医学图像分割是图像分割的一个重要领域，它在图像中自动分割出感兴趣的区域方面扮演着及其重要的角色。由于人体的器官组织是可发

基于交互式Graph Cuts的图像分割方法局限性分析，李居朋，陈通，利用交互式Graph Cuts算法进行医学图像分割是一种新的思路，能够通过用户输入的交互式信息快速而准确的分割出图像中感兴趣的目标。��

医学数据和label1叠加显示，支持放大缩小，非常方便实用。

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

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

20页综述，共计171篇参考文献。对于有监督学习方法，本文从三个方面介绍：backbone选择，网络blocks的设计以及损失函数的改进；对于弱监督学习方法，本文从数据增广，迁移学习和交互式分割来介绍。

ITK医学图像分割与配准上、下册，详细介绍ITK库清晰，带详细目录。

医学图像分割技术，介绍各种常用的医学图像分割技术以及新出现的分割算法

Official Keras Implementation for UNet++ in IEEE Transactions on Medical Imaging and DLMIA 2018 UNet++：用于医学图像分割的嵌套 U-Net 架构 UNet++ 是一种新的通用图像分割架构，可实现更准确的图像分割。 UNet++ 由不同深度的 U-Net 组成，其解码器通过重新设计的跳过路径以相同的分辨率密集连接，旨在解决 U-Net 的两个关键挑战：1）最优架构的未知深度和 2）不必要的跳跃连接的限制性设计。 论文 该存储库在以下论文中提供了 UNet++ 的官方 Keras 实现： UNet++：重新设计跳过连接以利用图像分割中的多尺度特征 Zongwei Zhou、Md Mahfuzur Ra​​hman Siddiquee、Nima Tajbakhsh 和 Jianming Liang 亚利桑那州立大学 IEEE Transactions on Medical Imaging（ TMI) 纸 | 代码 UNet++：用于医学图像分割的嵌套 U-Net 架构 Zongwei

很多机器学习算法已经被应用于医学图像处理。为了进一步处理医学图像，使得医学图像的分割质量好、配准效果好、融合效果佳、含噪量低，本文结合机器学习原理，改进传统医学处理方式，针对常见的四种医学图像，分别从图像分割、融合、配准和去噪等四个方面进行阐述。结果表明机器学习在医学图像中的应用，大幅改进了图像处理的效果、提高了图像的精度，为医生分析病情和手术操作提供更高的可靠性。