本资源是从公开数据库CC-CCII中提取出了750张带有分割mask标签的肺部CT图像，共有750图片，大小为512×512。 并且将原始使用彩色填充目标的mask图片替换为了使用0、1、2、3灰度值填充的mask图片，这种mask格式为大多数模型所要求，提高了数据集使用的通用性。 灰度值0为背景，1为原mask红色即肺部区域，2为原mask绿色即磨玻璃密度影区域，3为原mask蓝色即肺实变影区域。 数据集结构如下： image文件夹，包含750张图片 mask文件夹，包含750张mask图片 train.txt，675张训练图片的文件名 test.txt，75张测试图片的文件名

基于传统图像分割方法的Matlab肺结节提取系统：从CT图像分割肺结节并评估分割效果，附GUI人机界面版本及主函介绍,Matlab肺结节分割(肺结节提取)源程序，也有GUI人机界面版本。 使用传统图像分割方法，非深度学习方法。 使用LIDC-IDRI数据集。 工作如下： 1、读取图像。 读取原始dicom格式的CT图像，并显示，绘制灰度直方图； 2、图像增强。 对图像进行图像增强，包括Gamma矫正、直方图均衡化、中值滤波、边缘锐化； 3、肺质分割。 基于阈值分割，从原CT图像中分割出肺质； 4、肺结节分割。 肺质分割后，进行特征提取，计算灰度特征、形态学特征来分割出肺结节； 5、可视化标注文件。 读取医生的xml标注文件，可视化出医生的标注结果； 6、计算IOU、DICE、PRE三个参数评价分割效果好坏。 7、做成GUI人机界面。 两个版本的程序中，红框内为主函数，可以直接运行，其他文件均为函数或数据。 ,核心关键词： Matlab; 肺结节分割; 肺结节提取; 源程序; GUI人机界面; 传统图像分割; 非深度学习方法; LIDC-IDRI数据集; 读取图像; 图像增强; Gam

为解决工业计算机层析成像(CT)图像的伪影和弱边缘问题,提出一种基于小波变换的图像区域可伸缩拟合能量最小化分割方法,实现图像边缘的精确定位,从而提高图像测量精度。首先,采用小波变换对图像进行预处理,降低金属伪影。然后,采用所提方法精确分割图像,提高感兴趣区域边缘的定位精度。实际数据测量结果表明,所提方法可有效降低图像弱边缘的影响,测量相对误差低于0.7%,相较Chan-Vese算法,测量精度提高了1.4倍,满足实际测量需求。

肺癌是一种世界性的高发疾病，死亡率更是居高不下。早发现，早治疗是提高肺癌的治愈率和延长患者生命周期的重要手段，而肺结节是肺癌早期的主要表现形式，因此，对肺结节的早期诊断分析是提高肺癌患者生存率的关键。利用计算机断层扫描技术（Computed Tomography, CT）筛查肺结节是目前通常采用的诊断方法。随着患者的日益增多，肺部 CT 数据也在呈指数级地增长，无疑给医师的人工筛查工作带来了巨大的挑战和负担，因此使用计算机辅助诊断（Computer Aided Diagnosis, CAD）技术进行肺结节检测分割十分必要，能极大的提高医师的诊断效率并进一步提高肺癌诊断的准确率。 由于肺结节在尺寸、形状上的多变性以及与肺部血管等组织的相似性。在使用传统分割方法进行肺结节分割时，过于依赖医师的先验知识及主观判断，导致容易出现漏分割和过分割的情形。利用深度学习算法的分割过程不再需要人为选择特征，并且能够提取到更具体、更有辨识度的信息，将深度学习算法用于医学图像分割现已成为一个重要的研究方向。U-Net 网络因结构简单、泛化能力强，已广泛应用于医学图像处理领域。

为将肺实质区域从含有背景、噪声的胸腔区域里分割出来，首先，应用传统的区域生长法初步定位肺部边界轮廓；其次，去除肺部边界噪声，采用自适应曲率阈值法修复肺部边界；最后，应用水平集法中的DRLSE模型精确地分割出肺部区域。融合两种方法分割肺部区域，有效防止了图像边缘的漏检，可处理多种类型病变的肺部图像。在随机抽取的150例图像中，分割的准确率达到96.9%，分割一幅图像花费的时间约为0.72 s，具有很强的鲁棒性和较高的分割精度。本算法能精确完整地分割出肺部区域并保留了肺区内的细节信息。

基于深度游走和密度峰值聚类算法的CT图像分割方法软件工程研究.docx

【图像分割】基于FCM和改进的模糊聚类FCM实现脑部CT图像分割matlab源码.md

matlab中的GM模型代码CTseg：脑部CT分割，标准化，颅骨剥离和总脑/颅内体积计算 概述 这是用于对计算机断层扫描（CT）脑部扫描进行分割和空间归一化的算法。 该模型是流行的统一分割例程（SPM12软件的一部分）的扩展，具有：改进的配准，高斯混合模型参数的先验知识，从MRI和CT（更多类）中学习的地图集。 这些改进导致了更强大的分割程序，该程序可以更好地处理具有大量噪声和/或较大形态变异性的图像（请参见上图）。 该算法可以产生以下的原始|经调制的空间分段： 灰质（GM） 白质（WM） 脑脊液（CSF） 骷髅头（骨） 软组织（ST） 背景（BG） 该实现是在MATLAB中完成的，并且取决于SPM12软件包（及其MB工具箱）。 如果您发现该代码很有用，请考虑引用“参考”部分中的出版物。 更多详细信息 CTseg的输入应作为NIfTI文件（ .nii ）提供。 所得组织分割的格式与SPM12分割例程的输出格式相同（ c* ， wc* ， mwc* ）。 归一化的分割（ wc* ， mwc* ）在MNI空间中。 默认情况下，将生成输入图像的不ss_骨的版本（将ss_前缀为原始文件名）。

基于空间约束的模糊C均值聚类肝脏CT图像分割.pdf

为研究岩石CT图像分割及量化方法,以识别岩石CT图像中的岩石区、损伤区及背景区为目的,提出了一种聚类算法与数字图像处理技术相结合的方法,该方法根据"物以类聚"的统计原理,按距离相近或相似程度对岩石CT图像中的像素进行标定,从而实现图像分割及量化。结果表明:该方法能够准确地对岩石CT图像中的不同区域进行分割并且实现了对损伤的量化表达;同时,对于结果不确定度影响的初始参数有完全的排异性,从而保证了结果的稳定性;将该算法与阈值分割法进行比较,该算法可避免人为选择阈值导致的误差,从而保证结果的可靠性。