DICOM医学影像图像，供学习使用，可用于图像分割实验。医学影像图片，方便做图像分割测试用，医学影像图片，方便做图像分割测试用，

设计了一种结合分布式存储的PACS架构，并根据云存储的特点开发了SDCMO与WDO组件，为上层提供存储传输与网络访问接口,解决云计算技术应用于PACS过程中的兼容性问题。测试表明,该系统方案能够提高PACS系统的读写以及计算性能，为后期云计算技术真正应用到医院信息化建设中提供理论基础。

深度学习在医学影像分割领域得到广泛应用,其中,2015 年提出的 U-Net 因其分割小目标效果较好、结构具有可扩展性,自提出以来受到广泛关注.近年来,随着医学图像割性能要求的提升,众多学者针对 U-Net 结构也在不断地改进和扩展,比如编解码器的改进、外接特征金字塔等.通过对基于 U-Net 结构改进的医学影像分割技术,从面向性能优化和面向结构改进两个方面进行总结,对相关方法进行了综述、分类和总结,并介绍图像分割中常用的损失函数、评价参数和模块,进而总结了针对不同目标改进 U-Net 结构的思路和方法,为相关研究提供了参考.

人工智能-项目实践-图像识别-基于深度学习的图像超分辨率重建及其在医学影像上的应用 前言 介绍图像超分辨率问题、研究现状、前景，介绍在医学图像上进行超分辨率的重要性。 自然图像上的超分辨率研究 在 DIV2K 数据集（800 train + 100 val）进行实验。选取 baseline 模型为 ESPCN、DWSR、EDSR。针对这些模型的不足之处，提出改进：使用小波 + U-Net + 感知损失多任务学习的 LU-MWCNN模型，达到超越 baseline 的效果。 医学图像上的超分辨率应用 在 DeepLesion 数据集（CT 图像）的 Key_slices 上进行实验，同样与 baseline 模型进行对比。提出 CT-LPIPS，利用一个类 VGG 网络训练。 医学图像超分辨率平台开发 以 CT 图像为例，搭建 Web 服务，借助 Cornerstone.js 库，医生可预览 DICOM，或将图像发送至后端重建服务，以获得超分辨完成的结果。后端采用 Flask + PyTorch 进行部署和实时推理。 总结

3.图谱(atlas) 4.目测检验(visual inspection)

医学影像分割是从二维或三维医学影像中检测出目标对象的边界,获取正常 组织器官及肿瘤病变区域，其分割技术在诊断的形态和解剖分析、治疗前的活检 引导与路径规划、治疗中的跟踪与定位、预后的病情进展变化等方面有着重要的 临床意义。虽然基于机器学习的全自动分割算法目前在多模态医学影像分割上取 得了众多的研究成果，并展示出其优秀的分割性能。然而，不同模态的成像技术 受噪声、部分容积效应和图像强度信息不均匀等因素影响，严重降低了图像质量 而引起边界定位困难。加之，肿瘤及组织器官解剖多样性和在不同模态图像上的 特异性表达及空间与时间分辨率各有不同，从而增加了目标对象的复杂性,因此， 全自动、稳定、鲁棒和准确的医学影像分割依然具有较大的挑战。 为解决上述难题，本论文进行了如下研究:从边界识别和形状多变自适应能 力的角度研究提升分割算法精度的方法;研究数据驱动的乳腺超声(Breast Ultrasound, BUS)、肝脏计算断层成像(Computed Tomography,CT)、前列腺磁 共振(Magnetic Resonance Imaging， MRI)的跨模态图像精准分割算法;调研分 析和验证分

光学定位仪连接3D Slicer帮助文档 3D Slicer是开源医学影像可视化和处理分析软件，用于影像分析，影像视觉和影像引导放疗治疗等领域。兼容核磁共振造影MRI，电脑断层扫描CT，超声波，显微镜等医学影像数据。

该工程使用unet3d和vnet算法实现grand challenge上脾分割

医学影像与人工智能20年来的研究应用回顾和发展趋势展望.docx

单个CT影像文件，用于软件开发同学测试使用，胸部CT dicom文件。