使用VTK和Qt5的NIfTI（nii.gz）3D可视化工具 使用Python运行 创建一个虚拟环境。 Mac可以使用virtualenv或conda。 Windows必须使用conda。 安装依赖项（PyQt5，vtk和sip） pip install PyQt5 vtk 启动程序python ./visualizer/brain_tumor_3d.py -i "./sample_data/10labels_example/T1CE.nii.gz" -m "./sample_data/10labels_example/mask.nii.gz" 生成PyInstaller二进制文件 注意：必须修改.spec文件中的路径以匹配您的项目目录 Mac： pyinstaller Theia_Mac.spec Windows： pyinstaller Theia_Windows.spec 测试

简单的扩散 MRI (DTI) 和纤维跟踪 (FT) 功能和示例。 DTI.m，将计算由至少 6 个具有不同 MRI 梯度的数据集和至少 1 个没有梯度的数据集组成的 DTI 数据集的表观扩散系数（ADC）、分数各向异性（FA）和扩散张量场。 FT.m，将从大脑中的每个点开始计算神经束（纤维束），并输出所有穿过某个 ROI 的纤维。 尝试 DTI_example.m 然后 FT_example.m

在此文件中，使用了 mri.mat 数据。 如果要显示其他数据，可以将数据保存到矩阵 D1，或修改 .m 文件。 单击任何三个 MRI 图像，然后按“ENTER”以在新的 [x,y,z] 位置更改切片。 按“ESC”并按“ENTER”退出。

fastMRI可再现基准 该存储库的想法是要有一种方法可以在fastMRI数据集单线圈磁道上针对现有的重建算法快速对新解决方案进行基准测试。 迄今为止，已实现或适用于fastMRI数据集的重建算法包括： 零填充重建 ，使用 使用的基于小波的重构（即用贪婪的FISTA解决基于L1的分析公式优化问题） 网络 ，适用于MRI重建 ，一种模块化的展开重建算法，您可以在其中插入最佳的降噪器。 ，一种用于非笛卡尔采集的展开式重建算法，具有密度补偿。 所有神经网络都通过Keras API在TensorFlow中实现。 较旧的（不要认为这是我论文的开始）是使用功能性API进行编码的。 最新的版本在子类API中进行了编码，并且更加模块化。 对于LORAKS重建，由于A / D过采样，您将无法重建正确的fastMRI数据。 重建设置 主要的重建设置是具有随机和“定期采样”的笛卡尔单线圈和多线

非局部均值去噪法存在的问题 相似性度量缺乏鲁棒性 高斯加权核各向同性性质影响 非相似像素块影响 运算量大 加权核系数选择

此 GUI 设计用于查看 MRI 数据。 用户可以翻阅图像的各个切片，也可以查看所选切片的水平和垂直剖面。 数据应该是维度为 y、x、z 的 3D 矩阵。 您可以使用置换按钮更改数据的方向，并在查看数据的幅度、实部和虚部之间切换。

MRI 的脑肿瘤检测和分割图片。 抽象的脑肿瘤是一种致命的疾病，没有 MRI 就无法自信地检测到。 在该项目中，试图通过MRI检测患者的大脑是否有肿瘤使用 MATLAB 仿真的图像。 为了为 MRI 图像的形态学操作铺平道路，首先将图像使用各向异性扩散过滤器过滤以减少连续像素。 之后调整图像大小并使用阈值图像手动转换为黑白图像。 这个初级过滤器似乎合理肿瘤存在的位置。 在这种半处理的图像上，已经进行了形态学运算，并且获得了关于可信位置的坚固性和面积的信息。 一种这两个字符的最小值已由统计确定包含肿瘤的不同 MRI 图像的平均值。 然后它被用来交付最终检测结果。 虽然这个模拟程序在大多数情况下可以给出正确的结果，但它不能当肿瘤过小或肿瘤中空时进行。 该项目的更大目标是建立一个肿瘤二维图像数据的数据库。 从特定人的不同角度拍摄的 MRI 图像并通过分析他们指出肿瘤的确切 3D 位置。 为了实现

有关磁共振图像重建的代码，希望对大家有用

glcm matlab代码老年痴呆症检测 MATLAB代码将脑MRI图像分类为阿尔茨海默氏症或认知正常。 从OASIS获得了83例右撇子女性患者（18-30岁）的MRI数据集。 从MRI提取的特征包括灰色物质体积与标准化全脑体积（nWBV）的比率，白色物质体积与脑脊液体积的比率，以及从GLCM提取的特征，例如熵，能量，均质性和相关性。

主要介绍了Python读取MRI并显示为灰度图像实例代码，具有一定借鉴价值,需要的朋友可以参考下