简单的VTK四视图（三正交切片+三视图）显示源码，适合初学者，需要配置好VTK环境，在vtk8.2+VS2022上可正确运行

概述 pydicom是一个常用python DICOM parser。但是，没有提供解析多帧图的示例。本文结合相关函数和DICOM知识做一个简单说明。 DICOM多帧数据存储 DICOM标准中关于多帧数据存储的最重要一部分说明是PS3.5 Annex A.4 A.4 Transfer Syntaxes For Encapsulation of Encoded Pixel Data。 无论何时，Pixel Data都存放在Pixel Data (7FE0,0010)中。有可能是直接存放的(native)，也有可能是被打包存放的(encapsulated）。常见的多帧图一般采用打包存放的方式，特别

基于c# fo-dicom 示例

下载 DVTK DICOM Editor 3.2.6.msi

html5阅片工作站demo，主要用于网页阅片，亲自测试过，有用。

经过修改的AAPM TG18图像 乳房X线照片DICOM图像 乳房摄影图像的处理方式与其他图像的图像不同图像

模拟医学影像设备发送dicom文件

本软件用于各种医学影像图文报告的书写、打印、统计、查询、DICOM图象 浏览等功能。适用于CR，MR，CT，超声等检查项目。内附有大量典型模板，写报告 非常简单。 本软件可以独立使用，也可以与Efilm连接使用，经过简单的配置，就成为 Efilm的一个插件程序，调用Efilm的图象生成报告信息，完成报告的书写和打印等。

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。

乳房x光质量分析程序，一个桌面乳腺癌检测应用程序，接受dicom文件。这是一个免费的桌面计算机辅助诊断(CAD)工具，使用计算机视觉来检测和定位全域数字乳房x线照片上的肿块。这是一个在桌面上运行的烧瓶应用程序。在内部，有两个Yolov5L集成模型，它们是在vdr - mammo数据集上训练的。该模型集合的验证精度为0.65，验证召回率为0.63。