分割、脑肿瘤、以及对比学习等等方向的医学图像MICCAI2022，Part Ⅴ论文合集

基于VTK的医学图像三维重建系统的设计与实现

TorchIO：用于加载、扩充和写入3D医学图像的PyTorch工具 TorchIO torchio 是一个 Python 包，其中包含一组工具，可在用 PyTorch 编写的深度学习应用程序中高效读取、采样和写入 3D 医学图像，包括用于数据增强和预处理的强度和空间变换。 变换包括典型的计算机视觉操作，例如随机仿射变换，以及特定领域的操作，例如模拟由于 MRI 磁场不均匀性或 k 空间运动伪影引起的强度伪影。 这个包受到 NiftyNet 的极大启发。 索引安装特征数据处理图像数据集采样器队列变换强度 MRI k 空间运动伪影 MRI 磁场不均匀性 高斯噪声归一化 直方图标准化 Z 归一化 重新缩放空间翻转仿射变换 B 样条密集变形 示例 相关项目 Credits Installation $ pip install torchio Features 数据处理ImagesDataset ImagesDataset 是直接从 torch.utils.Dataset 继承的医学图像读取器。 它可以与 torch.utils.DataLoader 一起使用，以实现高效读取和数据扩充

医学图像重建入门_曾更生着(中文版)，英文版请见我的其他资源

针对融合后的医学图像时常存在细节纹理不够清晰的问题，本文提出一种新的基于非下采样剪切波变换（Non-Subsampled Shearlet Transform，NSST）的医学图像融合算法，对多模态医学影像进行融合，增强细节结构提取的能力，提高图像融合质量，为医疗诊断提供依据.首先，将已配准的源图像进行NSST分解，得到低频子带和一系列高频子带；其次，对于低频子带系数，提出利用局域平均能量与局域标准差的合成值进行子带之间选择的融合策略，有利于完整保存基础信息，对于高频子带系数，利用改进的拉普拉斯能量和（New Sum of Modified Laplacian，NSML）的方法进行融合；接着，将融合过后的低、高频子带进行NSST的逆过程变换，从而得到融合之后的图像；最后，在灰度和彩色医学多模态图像上进行大量的实验，并选择信息熵（IE），空间频率（SF），标准差（SD）和平均梯度（AG）对融合后的图像进行质量评价.仿真结果表明，本文算法在主观视觉效果以及客观评价指标上均取得较大改善.与其他算法相比，信息熵，标准差，空间频率和平均梯度的平均值分别提高了2.99%，4.06%，1.78%和1.37%，融合后的图像包含更丰富的细节纹理信息，视觉效果更好.

VTK工具 描述 通过vtk进行医学图像可视化的库。 演示版 run test.py for demo vtkShow或vtkShowNotebook vtkWindowView或vtkWindowViewNotebook

基于各种挑战的最新医学图像分割方法！ （更新202003）Content Head 2020 ICIAR：自动肺癌患者管理（LNDb）（LNDb）2019 MICCAI：多模式脑肿瘤基于各种挑战的最先进医学图像分割方法！ （更新202003）Content Head 2020 ICIAR：自动肺癌患者管理（LNDb）（LNDb）2019 MICCAI：多模式脑肿瘤分割挑战赛（BraTS2019）（结果）2019 MICCAI：6个月的多个部位婴儿脑MRI分割（iSeg2019） （结果）2019年MICCAI：放射治疗计划挑战的自动结构分割（结果）2018年MICCAI：多峰脑肿瘤分割Cha

#体积渲染 ＃＃介绍 此应用程序使用 Three.js 实现了行进立方体算法，以便可以在 Web 浏览器中显示医学图像和函数。 查看医学图像时，可以更改表面水平以显示图像的不同元素。 例如，我们可以查看人脚的表面，增加表面值后，我们可以查看脚的骨骼结构。 ＃＃用法 该应用程序可以在这里找到（ ）。 可以在此处下载其他 .raw 3D 文件 ( )。 要使用该应用程序，用户需要选择要渲染的对象、更新渲染设置并渲染文件。 w,a,s,d 键可用于在渲染场景中移动。 J,K,L,I 可用于旋转对象。 #####选择要渲染的对象 按选择对象按钮 根据对象的类型，可能需要从下拉列表中选择一个值 按加载 3D 文件、加载函数或上传本地文件 等待对象加载 一旦所有对话框自动关闭，就可以渲染对象 #####更新渲染设置 按设置按钮 在下面的对话框中，输入必要的值 渲染设置特定于正在渲染的文件或函数

基于多尺度变换的像素级图像融合是计算机视觉领域的研究热点，广泛应用于医学图像处理等领域。本文对多尺度变换的像素级图像融合进行综述，阐述多尺度变换图像融合的基本原理和框架。在多尺度分解方面，以时间为序梳理了塔式分解、小波变换和多尺度几何分析方法的发展历程。

Kvasir:该数据集包含1000张息肉图像，其范围在332×487到1920×1072，并且图像中息肉区域的大小和形状也各不相同。 CVC-ColonDB:该数据集是由结肠镜检查的15个不同序列中采样的380图像组成，其图像大小皆为574×500。 CVC-ClinicDB:该数据集是从25个结肠镜检查视频中提取612张图像组成的。其图像大小都是384×288。 CVC-300:60张息肉样本图像，其大小为574×500。 ETIS:该数据集是从34个结肠镜检查视频中提取了196张图像，其图像大小都是1225×966。