[摘要] 医学图像在临床诊断与治疗中的应用日益广泛, 如何利用影像管理系统中大量的图像, 辅助医生进行分析 与诊断是一个非常重要的问题。传统的基于文本关键字的图像检索方法已不能满足对大型医学图像数据库检索的 需要, 将基于内容的图像检索方法(CBIR)引入到医学图像数据库中进行研究是一项非常有意义的工作。介绍了基 于内容的医学图像检索系统的构成, 重点讨论了其中的关键技术问题, 包括医学图像分割、特征提取、相似性检索 及匹配和相关反馈技术, 并分析了国内外的研究现状, 对未来发展趋势进行了展望。 [关键词] 医学图像;基于内容的医学图像检索;特征提取

摘 要 医学图像分割方法与理论众多，文中简要介绍了基于边界阈值区域增长统计学图论活动轮廓信息 论模糊集理论神经网络的医学图像分割方法，这些方法各有优劣，部分已成为临床基本的图像分割技术 近年来许多 学者对经典的分割方法进行改良，通过多种分割方法结合，有效提高了分割的效率，或改进算法弥补原有分割方法缺陷 随着计算机计算性能的提高，各种新的算法将不断涌现 关键词 医学影像; 图像分割; 神经网络

医学图像处理的相关学习资料及论文的整理分享

医学图像去噪算法效果对比报告(有代码).doc

基于OpenCV的医学图像处理软件设计与实现.pdf

人工智能-项目实践-图像识别-keras使用迁移学习实现医学图像二分类（AK、SK） 问题描述 要解决的是一个医学图像的二分类问题，有AK和SK两种病症，根据一定量数据，进行训练，对图像进行预测。 解决思路 整体上采用迁移学习来训练神经网络，使用InceptionV3结构，框架采用keras. 具体思路： 读取图片数据，保存成.npy格式，方便后续加载 标签采用one-hot形式，由于标签隐藏在文件夹命名中，所以需要自行添加标签，并保存到.npy文件中，方便后续加载 将数据分为训练集、验证集、测试集 使用keras建立InceptionV3基本模型，不包括顶层，使用预训练权重，在基本模型的基础上自定义几层神经网络，得到最后的模型，对模型进行训练 优化模型，调整超参数，提高准确率 在测试集上对模型进行评估，使用精确率、召回率 对单张图片进行预测，并输出每种类别的概率

人工智能-项目实践-图像识别-用3DVnet开发的医学图像分割

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

医学图像处理的前六章题库内容汇总，对于CG上的填空题可查到，并且每个章节有分类。

Glirt基于CUDA的多模态三维医学图像配准.rar