基于图论的乳腺肿瘤超声图像的分割和识别方法.pdf

乳腺癌超声图像数据集-Breast Ultrasound Images Dataset，所有图像均分为正常、良性和恶性，每个图像都有标记，可用于乳腺癌图像分类，分割等研究，该资源国外网站可下载，但是国内速度较慢，特此上传。

该数据集包括与良性和恶性乳腺癌相关的超声图像。图像通过旋转和锐化来增强，以产生足够数量的图像。共9000多张图片。 该数据集包括与良性和恶性乳腺癌相关的超声图像。图像通过旋转和锐化来增强，以产生足够数量的图像。共9000多张图片。

甲状腺超声图像良恶性分类数据集，该数据库包含99例病例和134张图像。每个病例都以XML文件的形式呈现，其中包含专家的注释和患者的注释 甲状腺超声图像良恶性分类数据集，该数据库包含99例病例和134张图像。每个病例都以XML文件的形式呈现，其中包含专家的注释和患者的注释

四川大学胎儿超声图像数据，标记区域为胎儿的肺部超声图像 DataSetUltral.zip

基于OPENCV的超声图像增强 项目中用了基本的OPENCV 函数 实现了 超声图像的增强 OPENCV 是 计算机视觉领域一个 不错的 开发工具 项目中用提出了一个新的方法来处理数字图像 同时也对比了直方图均衡化 和数学形态学方法的 的处理结果 此项目 中代码的组织结构 也 可以 好好研究一下 同时 对 初学OPENCV 的人来说也是一个 很好的 学习项目 项目的开发环境是 基于 ECLIPSE + LINUX 的 当然 熟悉的人可以 直接 转化到 WINDOWS 下 祝好

由于超声成像机制使医学超声图像中存在着大量的斑点噪声， 这些斑点噪声大大降低了图像的清晰度和质量， 给超声诊断带来很大的困难。针对医学超声图像的斑点噪声去噪问题， 提出了一种基于帧相关处理、 ROF分解和自适应小波阈值的去噪方法， 能够在抑制超声图像斑点噪声的同时， 尽可能地保留甚至增强图像的细节信息， 大大提高图像质量， 取得了很好的效果。

信道编码matlab代码纸 尹，韩勋，Shuaat Khan，Jaeyoung Huh和Jong Chul Ye。 “使用深度学习从子采样的RF数据中高效地进行B模式超声图像重建。” IEEE医学影像交易（2018）。 执行 MatConvNet（matconvnet-1.0-beta24） 请运行matconvnet-1.0-beta24 / matlab / vl_compilenn.m文件来编译matconvnet。 在“”上有说明 请运行安装设置（install.m）并运行一些培训示例。 训练有素的网络 已上传“ SC2xRX4（下采样）CNN”的训练网络。 测试数据 测试数据文件位于“ data \ cnn_sparse_view_init_multi_normal_dsr2_input64”文件夹中。 数据尺寸如下-Test_data = 64x384x1x2304（通道x扫描线x帧x深度） 使用建议的算法执行测试 ->使用'DNN4x1_TestVal'作为输入数据 ->运行'MAIN_RECONSTRUCTION.m ->您将在“ data \ cnn_sparse_v

利用可视化工具 VTK 和图像的配准分割工具 ITK，在 VC++的平台下，采取直接体绘制的方法，对连续多帧的 DICOM 医学超声图像进行了三维重建，并且用户可以利用鼠标与图片进行交互，实现任意角度的旋转。

dbn matlab代码自动追踪 一组用于分析超声图像中舌头表面轮廓的工具。 ##较早且功能齐全的AutoTrace系统需要Matlab以及一些与GTK +相关的python依赖项。 由于有GTK +，尽管可以使用MacPorts（）将其安装在Mac OS X上，但该版本最好在Linux上运行。 ##（正在开发中）目前正在开发不包含Matlab的版本。 这个新版本将需要安装PyQt4，可从以下位置获得PyQt4需要安装Qt，可以从以下位置获取 用于深度网络训练的代码是根据作者的translational-DBN仓库（）改编而成的，该库要求gnumpy.py（）位于系统的Python PATH 。 如果使用gnumpy.py，则可以使用cudamat库（）在具有CUDA功能的GPU上对网络进行训练，如果不存在GPU，则gnumpy.py将使用需要npmat.py （）的CPU。 基于Qt的工具是跨平台的，并且已经在Windows 7，Linux和Mac OS X的Qt 4.8上进行了测试。