为开发符合医学数字成像与通讯（DICOM）标准的医学计算机断层扫描（CT）图像三维可视化系统，探讨了DICOM文件系统的结构和解析方法、医学CT图像窗宽/窗位调节技术及其三维可视化算法，描述了系统的结构和各功能模块的实现方法。通过对医学CT图像三维可视化软件的开发，比较了表面绘制和体绘制的特点，成功而有效地实现了符合DICOM标准的医学CT图像的三维可视化，为影像诊断提供了形象直观的技术方法，具有广泛的临床应用价值。

MATLAB优化CT图像构建，优化算法强大，而有效

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。

采用EM算法通过求解后验概率的条件期望最大的方法达到图像复原目的，同时在算法中实现了图像模型参数的设计。

SCU BME 医学图像处理 本文件为反投影重建（直接反投影、RL反投影、SL反投影）和中心面片法重建CT图像。 将文件添加到matlab运行路径后，打开main_program.m运行，出现反投影重建结果。 打开slice.m文件，运行出项中心面片法运行结果。

基于CT图像的自动肺实质分割方法

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

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。

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%。