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。

内容索引:VC/C++源码,图形处理,图像处理　　VC++简单医学图像处理系统，可以调整图像色阶、锐度、反色、灰底均衡，还可以对图像进行反转、平移、旋转等操作，类似Photoshop某些功能一样，当然，和PS比，是差了点，只能作为一些C++处理图像的参考吧。

擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真。

针对分层B样条非刚性配准存在局部极值以及水平集分割方法不适用于噪声图像分割的问题,提出了一种基于局部更新分层B样条双向变换和水平集方法的医学图像联合分割与配准方法。该方法在分割算法中加入配准变换,在配准中融入图像分割的结构信息。使用B样条水平集函数对变换和分割的图像进行平滑表示,并在配准中引入双向变换以提高配准的精度和平滑性。在水平集方法的基础上,引入双向分层B样条变换构造分割与配准的联合能量泛函,并结合梯度下降法将能量泛函最小化以优化目标函数。实验结果表明:本方法与单独的图像分割方法相比,Dice度量均在99%以上;与单独的图像配准方法相比,均方误差下降了30%,能够提高图像的配准精度,且在分割噪声图像时有较好的鲁棒性。

基于深度学习的医学图像分类的分析内含数据集以及R语言源码

基于深度学习的医学图像分析 适合初学者，内含数据集以及R源码，可以直接部署

可见光与近红外医学图像融合算法及软件-王艳翔

通过对蚂蚁信息激素释放、路径转移的重新定义，并将图像空间的模糊连接关系引入蚂蚁的觅食过程中，进而转换为蚂蚁搜寻食物的准则，实现了医学影像图像的分割，并进一步分析了算法实现中相关影响因素参数选择的问题。

FitMe提供一个广泛的c++软件平台，包含 (半-)自动分割、配准、可视化、治疗计划,手术导航、统计和报告等模块。一套丰富的交互式工具为用户提供最优的易用性和效率。FitMe在保证临床的用户的效率同时，能够保证高效地软件开发与修改、极大减少工作量和成本。FitMe不需要特别的硬件，支持Windows、Linux和Mac操作系统。图形用户界面可以定制适合你的产品。FitMe模块可以无缝互换,也可以集成到临床系统,如PACS、RIS及其他临床工作流程。

针对互信息配准方法中目标函数因存在多极值而容易陷入局部最优的问题,提出了一种基于萤火虫算法改进优化策略的互信息医学图像配准算法。该算法使用归一化互信息作为相似性测度,用萤火虫所处位置来表示配准参数,根据每个萤火虫的位置计算互信息函数值并将其作为当前萤火虫的亮度,通过亮度和吸引度的迭代更新来寻找互信息函数取最优解时的最佳配准参数。实验结果表明,该方法克服了互信息函数容易陷入局部最优的问题,有效地提高了配准精度。