Segmenting Soft Tissue Sarcomas Dataset 是一套医学 PET-CT 图像数据集，数据均来自于手术病理确认的软组织肉瘤，它是 TCIA 研究的预处理子集。 该数据集由 Kaggle 于 2015 年发布，相关论文有《A radiomics model from joint FDG-PET and MRI texture features for the prediction of lung metastases in soft-tissue sarcomas of the extremities》。

CT Medical Image Analysis Tutorial: CT images from cancer imaging archive with contrast and patient age Dataset 是一个癌症 CT 图像数据集，其包含 69 位患者的 475 个病例 CT 影响，用于检查与对比患者年龄和 CT 图像数据之间的联系，它是 TCGA-LUAD 肺癌 CT 影响数据库的一部分。 该数据集由 Kaggle 于 2016 年发布，相关论文有《Radiology Data from The Cancer Genome Atlas Lung Adenocarcinoma [TCGA-LUAD] collection》。

人脸三维重建 ct图像的三维重建系统

基于Android平台的CT图像可视化显示方法及实现.pdf

CT图像重建等距扇束投影算法FBP实现，适合初学者学习；利用python实现，有不懂可以交流。

利用超声波CT（Computerized Tomography）探伤技术，对含预埋缺陷的混凝土构件进行探测，采集走时数据重建波速分布-“反演成像”。实验结果表明，超声CT图像可以比较完整地反映某一断面上混凝土的内部质量，从而根据速度差异识别缺陷。并通过分析成像结果，对影响CT图像质量的主要因素：测线的布置、成像单元的划分、反演方法的选择，进行了初步研究和评价。

基于医学CT图像的三维重建研究.pdf

肺癌是一种世界性的高发疾病，死亡率更是居高不下。早发现，早治疗是提高肺癌的治愈率和延长患者生命周期的重要手段，而肺结节是肺癌早期的主要表现形式，因此，对肺结节的早期诊断分析是提高肺癌患者生存率的关键。利用计算机断层扫描技术（Computed Tomography, CT）筛查肺结节是目前通常采用的诊断方法。随着患者的日益增多，肺部 CT 数据也在呈指数级地增长，无疑给医师的人工筛查工作带来了巨大的挑战和负担，因此使用计算机辅助诊断（Computer Aided Diagnosis, CAD）技术进行肺结节检测分割十分必要，能极大的提高医师的诊断效率并进一步提高肺癌诊断的准确率。 由于肺结节在尺寸、形状上的多变性以及与肺部血管等组织的相似性。在使用传统分割方法进行肺结节分割时，过于依赖医师的先验知识及主观判断，导致容易出现漏分割和过分割的情形。利用深度学习算法的分割过程不再需要人为选择特征，并且能够提取到更具体、更有辨识度的信息，将深度学习算法用于医学图像分割现已成为一个重要的研究方向。U-Net 网络因结构简单、泛化能力强，已广泛应用于医学图像处理领域。

CT图像滤波反投影重建算法的研究CT图像滤波反投影重建算法的研究

matlab图像分割肿瘤代码用于从CT图像进行肝分割的深度学习模型的基本合奏 此存储库包含用于合奏方法的样本脚本，该文章在“用于从CT图像进行肝脏分割的深度学习模型的基本合奏”中进行了解释。 有关详细说明，请参阅该文章（当前正在审核中）。 该代码是用MATLAB编写的。 ensemleDeepModels_MAIN.m是用户需要执行的主要脚本。 在脚本中有四种单独的分割方法的评估和五种不同的集成方法的实现以及它们的评估。 数据来自CT Set 2。 除了此存储库中的所有文件之外，还必须从提供的链接中下载（143 MB）。 该文件存储来自CHAOS CT Set 2的四个独立深度模型的概率图。 这些模型是： DeepMedic ：K. Kamnitsas，E。Ferrante，S。Parisot，C。Ledig，AV Nori，A。Criminisi等人，“ DeepMedic用于脑肿瘤分割”，在“计算机科学讲座”中，第1卷。 10154 LNCS。 查尔斯·施普林格，湛，2016年10月，第138–149页。 密集的V型网络：E。Gibson，F。Giganti，Y。Hu，E。Bonm