#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。

脑瘤检测CT数据集，数据集包含三个文件夹yes, no和pred，每类分别有100张、500张、200张图片。 脑瘤检测CT数据集，数据集包含三个文件夹yes, no和pred，每类分别有100张、500张、200张图片。

CT操作流程图.ppt该文档详细且完整，值得借鉴下载使用，欢迎下载使用，有问题可以第一时间联系作者~

内含数据集以及算法源码适合初学者和进阶者

老年痴呆CT数据集，使用模糊彩色图像增强(FCIE)算法重建原始脑MRI数据集。轻度痴呆中度痴呆非轻度痴呆非常轻度痴呆共计6400张MRI图像，训练-验证-测试的分割比例为75% -15- 10%。