- 综合排序
- 最热优先
- 最新优先
- 来自专栏决策智能与机器学习
算法集锦（5）|医学图像的边缘检测|Python
今天，我们介绍一些常用的机器学习算法（卷积网络、边缘识别等）在医学图像处理上的应用。这些算法未来可以嵌入到深度卷积神经网络中，本文中通过简单的实例，直观的展现不同算法对医学图像处理后的效果。 （5）大脑核磁共振图像（侧面） ? （6）大脑核磁共振图像（正面） 恒等卷积核（Identiti Kernel） ? 恒等卷积核的大小为3x3，填充（padding）模式为SAME。 进行水平边缘检测后的各医学图像如下。 ? ? ? ? ? ? 边缘检测（垂直） ? 经过垂直边缘检测后，垂直方向的纹理更加清晰。 ? ? ? ? ? ? 边缘检测（梯度模） ? 我们将梯度模与Sobel算子结合起来进行医学图像的边缘检测，结果如下。 ? ? ? ? ? ? 直观上看，采用了Sobel算子后，与之前仅使用梯度模的结果差异不大。
1.3K20发布于 2020-08-04 - 来自专栏腾讯教育黑板报
2022腾讯医学ME大会：5位名医院士，集体解码医学新进展
疾病就像生命本身一样古老 人类自始，就在和疾病对抗 1796年5月17日 人类首次实施牛痘接种手术 这一发明彻底征服天花病毒 一场又一场与疾病的抗争，让文明不断向前 各种学科的进步都被应用于医学 解剖学从人体构造上定位疾病的存在 5月19日，2022腾讯医学ME大会，让我们聆听中国工程院副院长王辰、宫颈癌防控的「中国名片」乔友林、全国胸痛中心体系建设者霍勇、风湿免疫病知名学者栗占国、基因「剪刀手」魏文胜，5位顶尖医学科学家的权威声音 ，洞悉对抗疾病的一线战场，以前沿医学知识，护航每个人的生命健康。 让我们一起聆听他们的努力与梦想 嘉宾阵容 王辰：“健康大同”理念倡导者 作为中国最负盛名的医学院——北京协和医学院校长，他倡导「健康大同(One Health) 」的理念，提出医学、卫生、健康三者紧密相连 点击【下方小程序】预约直播，聆听5位顶尖专家带来的权威「医嘱」，用医学的曙光照亮生命的希望。
59530编辑于 2022-05-18 - 来自专栏全栈程序员必看
医学图形图像处理(医学影像和医学图像处理)
文章目录 1 图像和数字图像 2 图像分类 2.1 简单分类 2.2 传感器分类 2.3 维度分类 3 图像处理流程 4 医学图像 1 图像和数字图像 数字图像： 被定义为一个二维函数，f(x,y)， 图像数据： 生活中是二维的，医学上通常还有3维和4维的。比如在关注心脏跳动的时候，不仅关注其三维结构，还要关注时间轴变化。 三维图像：一个像素描述成一个体素。 （5）显微图像： 上图，心脏肌肉的显微照片，这是临床中经常应用的一类称为活检对图片，当我们怀疑组织的某一部分有病变的时候，通过穿刺的方法，在身体组织、器官表面进行采样，得到组织碎片，通过在显微镜进行放大 4 医学图像 （1）CT图像： 骨结构、组织结构（不太清晰） （2）MRI（核磁共振）图像： 清晰看到除了骨结构之外的一些软组织，更能描述人体软组织结构。 （5）PAT正电子成像： 上述为解剖结构成像，随着成像计算的发展，出现了功能和代谢成像的图片，如PAT正电子成像——对人体内，尤其是氧的消耗量的大小来分析不同组织结构的特征，不仅可以看到解剖结构，更多的是描绘人的新陈代谢或者人体功能的描述
1.8K10编辑于 2022-07-31 - 来自专栏最新医学影像技术
医学图像处理教程（三）——医学图像增强算法
今天将给大家分享医学图像常见图像增强算法。 5、拉普拉斯图像锐化 我们使用LaplacianSharpeningImageFilter（）函数来对图像进行拉普拉斯锐化。
3.4K50发布于 2020-06-29 - 来自专栏机器学习、深度学习
医学图像分割
Topology Aware Fully Convolutional Networks For Histology Gland Segmentation
1K20发布于 2019-05-26 - 来自专栏CV学习史
医学图像了解
医学图像 医学图像是反映解剖区域内部结构或内部功能的图像，它是由一组图像元素——像素（2D）或立体像素（3D）组成的。医学图像是由采样或重建产生的离散性图像表征，它能将数值映射到不同的空间位置上。 像素的数量是用来描述某一成像设备下的医学成像的，同时也是描述解剖及其功能细节的一种表达方式。 ，分别为DICOM（医学数字成像和通讯）、NIFTI（神经影像信息技术）、PAR/REC（Philips磁共振扫描格式）、ANALYZE（Mayo医学成像）、NRRD（近原始栅格数据）和MNIC 现代神经影像学技术 它定义了质量能满足临床需要的可用于数据交换的医学图像格式 PET是正电子发射断层显像（Positron Emission Tomography）的缩写，是一种先进的核医学影像技术；CT是计算机断层摄影术 Dicom 它定义了质量能满足临床需要的可用于数据交换的医学图像格式，可用于处理、存储、打印和传输医学影像信息。
2.7K31发布于 2019-09-10 - 来自专栏计算机视觉life
医学图像处理
第三，深度CNN训练过程中由于过度拟合和收敛问题而复杂化，这通常需要对网络的框架结构或学习参数进行重复调整，以确保所有层都以相当的速度学习[5]。 将网络应用于两个公开的数据集和一个临床试验数据集，与5种公开方法进行了比较，展现了最好的方法。 使用特定图像融合技术的模态1与模态2的组合可以使医学诊断和评估改进 5、预测与挑战 1）数据维度问题-2D与3D：在迄今为止的大多数工作中，是在2D图像中进行处理分析。 Imag., vol. 35, no. 5,pp. 1160–1169, May 2016. [7]H. Imag., vol. 35, no. 5, pp. 1170–1181, May 2016 [8]林瑶, 田捷. 医学图像分割方法综述[J].
4.4K42发布于 2019-07-10 - 来自专栏最新医学影像技术
医学图像处理教程（四）——医学图像去噪算法
今天将给大家分享医学图像常见三种图像去噪算法。 参数设置就是统计均值计算的半径大小，这里可以xyz方向上都一样的半径大小，也可以设置成不同的半径大小，在这里我们设置成5，就意味着是10x10x10区域里计算均值滤波的结果。 np_image = sitk.GetArrayFromImage(image) # mean sitk_mean = sitk.MeanImageFilter() sitk_mean.SetRadius(5) 参数设置就是统计中值计算的半径大小，这里可以xyz方向上都一样的半径大小，也可以设置成不同的半径大小，在这里我们设置成5，就意味着是10x10x10区域里计算中值滤波的结果。 # median sitk_median = sitk.MedianImageFilter() sitk_median.SetRadius(5) sitk_median = sitk_median.Execute
5.4K21发布于 2020-06-29 - 来自专栏最新医学影像技术
医学图像处理案例（十三）——快速行进算法分割医学图像
今天将分享使用快速行进算法（FastMarching）对医学图像分割案例。 2、使用SimpleITK函数来实现FastMarching分割算法 用FastMarching算法分割有5个步骤：（1）、首先使用各向异性扩散方法对输入图像进行平滑处理；（2）、其次对平滑后的图像进行梯度计算 FastMarching的输出是时间跨度图，表示传播的水平集面到达的时间；（5）、最后通过阈值方法将FastMarching结果限制在水平集面传播区域而形成分割的区域。 seedPosition[0] = atoi( argv[3] ); seedPosition[1] = atoi( argv[4] ); const double sigma = atof( argv[5] outputFilename = sys.argv[2] seedPosition = (int(sys.argv[3]), int(sys.argv[4])) sigma = float(sys.argv[5]
4.5K63发布于 2020-06-29 - 来自专栏最新医学影像技术
医学图像处理案例（二十）——医学图像处理案例代码详解
在前面分享的医学图像处理案例中，给出了很多具体案例，但有些读者还是渴望可以深入分享案例代码详解。那么今天我将从骨骼分割，气管分割，肺组织分割，血管分割这四个具体案例来详细讲解如何来实现。 = GetMaskImage(sitk_src, skeleton_mask, replacevalue=-1500) sitk.WriteImage(sitk_skeleton, 'step5. ') # 4 sitk_mask3 = FillHole(sitk_mask2) sitk.WriteImage(sitk_mask3, 'step4.mha') # 5 sitk_mask4 = RemoveSmallConnectedCompont(sitk_mask3, 0.2) sitk.WriteImage(sitk_mask4, 'step5. # 8 sitk_mask4 = MorphologicalOperation(sitk_mask4, kernelsize=3, name='open') sitk_mask5
4.8K54发布于 2020-06-29 - 来自专栏全栈程序员必看
医学图像处理(医学图像处理研究生就业选择)
在数以万计的在用医学成像设备中，DICOM是部署最为广泛的医疗信息标准之一。当 前大约有百亿级符合DICOM标准的医学图像用于临床使用。 5. Dataset Fetching （3）nilearn.decoding: Decoding （4）nilearn.decomposition: Multivariate decompositions （5） （5）空间标准化：将不同个体的数据对准到一个通用空间结构上，使得所有数据可以合并进行组分析。 （6）空间平滑：有意模糊数据以降低噪声。 （7）时间过滤：在时间维度上过滤数据，以去除低频噪声。 uuid=8a833999-20a7dbd5-0120-a7dbd535- 00e7&objectId=oid:8a833999-20a7dbd5-0120-a7dbd535-00e6&courseID =S0400398 [4] 西安交通大学精品课程”医学影像学”：http://radiology.xjtu.edu.cn/ [5] 中山大学精品课程”放射诊断学/医学影像学”：http://www.360doc.com
2.4K31编辑于 2022-08-02 - 来自专栏最新医学影像技术
医学图像处理教程（五）——医学图像边缘检测算法
今天将给大家分享医学图像常见两种图像边缘检测算法。 一般5x5是一个比较不错选择。 （2）、图像中的边缘可以指向各个方向，因此Canny算法使用四个算子来检测图像中的水平、垂直和对角边缘。
3.6K30发布于 2020-06-29 - 来自专栏HyperAI超神经
医学AI又一突破，微软开源生物医学NLP基准：BLURB
Natural Language Processing 生物医学特定领域的语言模型预训练》，介绍并开源了一个能够用于生物医学领域 NLP 基准，并命名为 BLURB。 医学 NLP 基准，BLURB 身负重任 BLURB 包括 13 个公开可用的数据集，涉及 6 个不同的任务。 生物医学 NLP ：必须使用域内文本 研究已经表明生物医学 NLP 可以在医学领域提高数据集的准确性。但是在跨学科的数据集中，准确性又会大大降低。 而由于不同医学领域之间（Domain）跨度较大，所以对于 NLP 的预训练会花费非常多的时间。 同时，为了鼓励对生物医学 NLP 的研究，研究人员创建了以 BLURB 基准为基准的排行榜，还开源了预训练模型。以求快速生物医学 NLP 能够早日投入使用。
1K10发布于 2020-08-13 医学图像白血病分割数据集labelme格式245张5类别
数据集格式：labelme格式(不包含mask文件，仅仅包含jpg图片和对应的json文件) 图片数量(jpg文件个数)：245 标注数量(json文件个数)：245 标注类别数：5 标注类别名称:["
11800编辑于 2025-07-17- 来自专栏基于深度学习的图像增强
医学图像跨域合成
背景 这篇文章主要介绍一些基于深度学习的医学图像合成的论文，医学图像跨域合成一般是指从一种模态转化为另一种模态，包括CT到PET，MR到CT，CT到MR及MRI中T1,T2,FLAIR等之间的转化。 医学图像合成是解决这一问题的有效方法，可以将缺失的模态从已有的模态中合成出来。
1.6K20发布于 2020-09-07 - 来自专栏AI算法与图像处理
医学图像分割：UNet++
分割的准确性对于医学图像至关重要，因为边缘分割错误会导致不可靠的结果，从而被拒绝用于临床中。 为医学成像设计的算法必须在数据样本较少的情况下实现高性能和准确性。
1.8K21发布于 2020-11-23 - 来自专栏最新医学影像技术
医学图像处理教程（一）——医学算法数据的基本概念
从今天起我将开始分享医学图像处理基础算法课程，从最基本的函数开始，分享函数的原理，函数API参数讲解，每篇都会给出一个示例。 1、如何安装Python版本的SimpleITK包 为了快速上手算法开发，采用Python版本的SimpleITK开发包来完成医学图像处理算法开发。
2.9K51发布于 2020-06-29 - 来自专栏最新医学影像技术
医学图像处理案例（十五）——基于小波变换的医学图像融合
今天将介绍使用小波变换来对多模态医学图像进行融合。 2、基于小波变换的多模态医学图像融合代码实现 我将分享python版本代码来融合多模态MR图像，融合策略是低频图像采用平均值法，高频图像采用最大值法。 , db28, db29, db30, db31, db32, db33, db34, db35, db36, db37, db38 sym family: sym2, sym3, sym4, sym5, sym13, sym14, sym15, sym16, sym17, sym18, sym19, sym20 coif family: coif1, coif2, coif3, coif4, coif5, , rbio3.9, rbio4.4, rbio5.5, rbio6.8 dmey family: dmey gaus family: gaus1, gaus2, gaus3, gaus4, gaus5,
3K20发布于 2020-06-29 - 来自专栏3D视觉从入门到精通
汇总|医学图像数据集
of Medicine presents MedPix 数据下载链接：https://medpix.nlm.nih.gov/home 数据介绍：MedPix®是一个免费的开放式在线访问数据库，其中包含医学图像 我们的主要目标受众包括医师和护士，专职医疗人员，医学生，护理生以及其他对医学知识感兴趣的人。内容材料按疾病位置（器官系统）组织；病理类别患者资料；以及通过图像分类和图像标题。
5.5K30发布于 2020-12-11 - 来自专栏深度学习和计算机视觉
医学图像分割：UNet++
分割的准确性对于医学图像至关重要，因为边缘分割错误会导致不可靠的结果，从而被拒绝用于临床中。 为医学成像设计的算法必须在数据样本较少的情况下实现高性能和准确性。
1.7K30编辑于 2022-04-06
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号