艾默生CT变频器说明书中文版，提供参数编辑说明，故障代码查询

基于CT图像的自动肺实质分割方法

摘要：由人体的CT医学影像数据建立人体数字化体模和感兴趣器官或区域(假设为均匀的放射源)，分别采用解析方法和蒙特卡洛方法(MCNP程序)计算了体外HPGe探测器的无源效率刻度曲线，二者在低能和高能段符合很好，在中能段最大差异在5%左右。自己研制的无源效率刻度软件在计算问题的规模上和计算时间上比蒙特卡洛方法具有非常明显的优越性。 关键词：CT；无源刻度；探测效率；MCNP；MDP

医学工程培训资料，珍贵的西门子16排/64排CT培训资料之CT原理与结构

#bonemapy ABAQUS插件可将CT扫描的骨骼特性映射到3D有限元骨骼/植入物模型。 这通常用于将异质材料属性应用于骨骼模型​​。 与和一起开发，以提供用于准备和后处理骨骼/植入物计算机模型的工具。 版权所有2013，Michael Hogg（ ） MIT许可证-有关使用和重新分发的详细信息，请参阅LICENSE.txt 要求 软件需求 ABAQUS> = 6.11 pydicom> = 0.9.7 笔记： ABAQUS是商业软件包，需要的许可 骨图的作者与ABAQUS / Simulia无关 bonemapy使用内置在ABAQUS中的Python和numpy。 ABAQUS（v6.11-v6.13）的最后几个发行版均使用Python 2.6.x和numpy 1.4.x 模型设置要求 模型必须仅包含四面体元素。 支持所有3D应力四面体元素（ABAQUS元素类型C3D

当使用体积图像进行深度学习时，标记数据是一个很大的挑战。 在放射治疗领域，从CT图像中，提取人体、器官、GTV等各个区域作为区域数据，并存储在DICOM RT的RT-Structure中。 这些数据主要用于计划治疗，但我们也可以使用它们作为标签数据来加速深度学习工作流程。 通过此演示，您可以了解如何将 RT-Structure 数据转换为标签数据，并使用它们在 MATLAB 上训练 3D UNet（语义分割）模型。 [日本人]医学图像 3D 深度学习的主要挑战是标记复杂且耗时。在放射治疗领域，人体、器官、肿瘤等被定义为所拍摄的 CT 图像的区域，并由 DICOM RT 的 RT-Structure 管理。这些是为治疗计划而创建的，但提取的区域数据也可以用作深度学习的标签。在此演示中，您可以转换 RT-Structure 数据以用于深度学习并学习流程，直到将其用于学习 3D UNet。

基于深度学习的肺炎医学CT图像分类算法研究_吴云峰.caj

正常和出血性CT扫描图像数据集，共6794张图片 正常和出血性CT扫描图像数据集，共6794张图片 正常和出血性CT扫描图像数据集，共6794张图片

心脏肥大CT图像数据集（共５００多张CT图像），此数据集经过处理并从原始数据集中取出。使用CSV信息，分离了心脏肿大的图像，用CLAHE处理，并将其调整为128＊128的高度和宽度。训练图像和测试图像按11的比例等分。

本资源是我的博客(基于MATLAB的最短路径法弯曲射线追踪）[https://blog.csdn.net/Neverlevsun/article/details/116571184]中的MATLAB代码，包含了博文中未给出的sMoserjinsisub、sMoserRoadsub两个函数。 1、代码运行速度非常快，适合新手使用，可建立一些简单模型来进行数值模拟，也可用做其他程序的子函数调用，对认识曲射线追踪非常有帮助。 2、资源中给出了两个模型用以实例代码的用法，其中一个是包含空洞的高速异常体模型，另一个是包含高速异常的介质模型。 3、本代码为本人所开发，如用于其他用途，请告知作者授权，谢谢配合。