在做医学图像加密领域的毕设过程中找到的，有DICOM格式的CT影像（512*512*16b）和MR影像（256*256*16b,512*512*16b)，还有几张更大尺寸的BMP格式医学图像，希望可以帮到在找数据的你~

一共有420张数据，分为2个类别

本书为影像学课程教学书籍最新版扫描文档.

本代码能够处理分割后的.raw格式图像，将图像中有分割数据的切片提取出来，以便进行下一步的提patch等等处理。提patch代码见我csdn的其他资源。 %该函数输入.raw图像的路径filename %输出一个由带数据切片叠成的三维矩阵file_data，以及file_data的厚度（带数据的切片数）data_slice_number

内眼深度学习 总览 这是一个深度学习工具箱，用于在医学图像（或更常见的是3D图像）上训练模型。 它与Azure中的云计算无缝集成。 在建模方面，此工具箱支持 细分模型 分类和回归模型 序列模型 分类，回归和序列模型可以仅将图像作为输入，或者将图像和非成像数据的组合作为输入来构建。 这支持了医疗数据的典型用例，在这些用例中，除了图像之外，还经常可以使用测量，生物标记或患者特征。 在用户方面，该工具箱专注于使机器学习团队能够实现更多目标。 它是云计算第一，并依靠来执行，簿记和可视化。 两者合计，得出： 可追溯性：AzureML保留已执行的所有实验的完整记录，包括代码快照。 标签会自动添加到实验中，以后可以帮助过滤和查找旧实验。 透明度：所有团队成员都可以访问彼此的实验和结果。 重现性：使用相同代码和数据的两次模型训练运行将得出完全相同的指标。 所有随机性源（例如多线程）均受到控制。 降低成本：使用AzureML，在开始培训工作时就请求所有计算（虚拟机，VM），并在最后释放它们。 闲置的虚拟机不会产生成本。 此外，Azure低优先级节点可用于进一步降低成本（便宜多达80％）。

全域布局“互联网+医学影像”服务体系探讨

DICOM图像，DR和CR图像，可以查看DR和CR

一个完整检查的MR核磁图像，6个序列

CT case中的.npz文件，共1009例。数据解析参照这里https://qianlingjun.blog.csdn.net/article/details/115726615

:训练U-Net 深度学习模型对乳腺动态增强磁共振图像(DCE-MRI)上乳腺肿块进行 自动分割、定位和体积测量,并将结果自动导入结构化报告中,探讨其植入临床工作流程的可行性,旨在提高诊断效率和效能