医学图像
文章平均质量分 70
落花逐流水
从事人工智能,模式识别与智能系统
展开
-
Slicer学习笔记(六十五) 3DSlicer的医学图像数据增强扩展模块
基于3D Slicer5.1.0 编写了一个测试医学图像的数据增强测试扩展模块。扩展模块名:DataAugementation下载该项目后,可以将该扩展模块添加到3D Slicer的扩展中。关于如何给3DSlicer 添加扩展可以看我前面的博客。原创 2024-03-02 22:36:30 · 655 阅读 · 0 评论 -
医学影像SAM
医学SAM原创 2023-09-25 22:34:11 · 1190 阅读 · 0 评论 -
MONAI的测试与使用(一)
monai加载与显示图像测试原创 2023-08-02 18:59:34 · 676 阅读 · 0 评论 -
医学图像笔记(九)Qt+VTK+ITK 医学图像处理
ITK需要编译,默认情况下ITK也不会关联VTK也需要在cmake-gui界面勾选关联VTK,关联到上面编译的VTK后会提示关联Qt路径。同时记录一下用到的软件版本:vs2019, cmake3.25, Qt5.15, VTK9.0, ITK5.2.VTK需要编译,默认情况VTK是不会关联Q的,需要在cmake-gui界面勾选关联Qt选项并指定Qt路径;再有就是看到很多参考程序里面要么Qt4 要么VTK8之类与之不兼容的情况。这样编写同时使用Qt、VTK、ITK的软件准备工作就完成了。原创 2022-12-10 10:45:04 · 949 阅读 · 0 评论 -
每日阅读笔记
最近在整理关于分割的内容。包括GraphCut、maxflow、pushrelabel、、、等相关内容。原创 2022-11-28 22:29:41 · 649 阅读 · 0 评论 -
Push-Relabel算法相关阅读
容量,流量,可行流,残量网络等等基础概念不赘述了第一类,增广路算法(Augmenting-Path):该类算法是基于路径/割的,由Ford和Fulkerson两个人提出,实际上代表了一类算法,:从零流开始考虑,假如有这么一条路,这条路从源点开始到达汇点,并且这条路上的每一段都满足Flow原创 2022-11-17 22:59:29 · 785 阅读 · 0 评论 -
经典图割算法中图的构建及实现:Graph-Cut
讲解目前典型的3种图割算法:graph-cut、grab-but、one-cut。本文主要讲解graph-cut的方法在应用时,准则函数与图构建关系,如何构建图,以及如何代码实现图的构建。图割的原理网上文章和论文已介绍比较详细,不再详细介绍。该方法可谓是图割方法的开山鼻祖。该方法的准则函数如下:E(A)=λR(A)+B(A)E(A) = \lambda R(A) + B(A)E(A)=λR(A)+B(A)R(A)是先验惩罚项,B(A)是区域相似度惩罚项,λ\lambdaλ是平衡因子。该准则函数意义:同类间,原创 2022-11-10 15:48:59 · 2520 阅读 · 1 评论 -
医学图像笔记(八)窗宽窗位
医学图像笔记(八)窗宽窗位1、(医学影像文件)的一个核心的知识点就是,窗宽窗位。1、(医学影像文件)的一个核心的知识点就是,窗宽窗位。知识点:窗宽/窗位的概念窗宽是图像显示的灰度范围。一般显示器的灰度范围为256级,而医学图像的灰度范围则远远大于该范围,因此通过显示器显示时不能显示所有灰度级,需要使用窗宽来定义欲显示的灰度范围。灰度值高于该范围的最大值时:白影。低于:黑影。比如,窗宽200,窗位100,则可视范围:0-200;窗位500,可视范围:400-600参考:vtk读取.dcm文件(医学原创 2022-03-25 14:31:54 · 2682 阅读 · 0 评论 -
医学图像LandMark整理
医学图像LandMark整理1、Landmark Localisation in 3D Medical Images2、Medical-Detection3d-Toolkit3、Robust-Teeth-Detection-in-3D-Dental-Scans1、Landmark Localisation in 3D Medical Imagesyuanwei1989/landmark-detectionThis software implements a Convolutional Neural N原创 2022-02-10 10:17:06 · 1456 阅读 · 0 评论 -
医学图像3D关键点检测
医学图像3D关键点检测论文:AUTOMATED ANATOMICAL LANDMARK DETECTION ON DISTAL FEMUR SURFACEUSING CONVOLUTIONAL NEURAL NETWORK原创 2022-02-09 20:17:40 · 1784 阅读 · 0 评论 -
医学图像3D目标检测
这里写自定义目录标题论文:3D Bounding Box Detection in Volumetric Medical Image Data: A Systematic Literature Review这篇论文综述了近五年在三维医学数据中进行3D Bouding Box Detection的方法。1、论文背景VOI的提取是重要的预处理步骤,例如在组织中对恶性肿瘤进行分割或分类的任务中那个,通常需要先对相应的组织进行定位。尤其是较小器官的语义分割会受益于预先定位。3D医学图像主要来源于CT,MR原创 2022-02-09 19:58:41 · 3930 阅读 · 0 评论 -
geodesic distance
geodesic distance其中见到的出现最多的名词之一就是 geodesic distance ,这个单词的中文翻译是测地距离,其实测地距离的意思就是在三维空间中,两点之间的最短路径,归根究底就是最短路径,在三维中间从一个点到另外一个点的路径有无数种,但是最短路径只有一条,那么这个最短路径的长度就是测地距离 geodesic distance。参考:关于 geodesic distance 的通俗解释参考:参考:...原创 2021-12-13 14:47:05 · 2404 阅读 · 0 评论 -
python读取Dicom文件
python读取Dicom文件1、python读取Dicom文件1、python读取Dicom文件安装包pip install dicom导出包import pydicom参考:使用Python对Dicom文件进行读取与写入原创 2021-12-10 16:04:38 · 2979 阅读 · 0 评论 -
Slicer学习笔记(三十)slicer编写c++扩展
Slicer学习笔记(三十)slicer编写c++扩展1、c++扩展模块 CMake文件2、程序执行3、编辑UI4、 编辑代码1、c++扩展模块 CMake文件准备操作,参考我的笔记十 Slicer学习笔记(十)怎样写一个slicer c++ 扩展模块 和笔记十二 Slicer学习笔记(十二)编写扩展模块cmake_minimum_required(VERSION 3.13.4)project(cpp_regist_seg)#----------------------------------原创 2021-11-19 22:16:51 · 2959 阅读 · 0 评论 -
slicer 的CropVolume模块
slicer 的CropVolume模块1、各向同性参数设置有参数及实现可知CropVolume 模块只能在各向同性时设置成三个方向间距一致缩放,或者在各向异性时,三个方向整倍数于原间距缩放。parameterNode->SetIsotropicResampling(true);各向同性if (isotropicResampling) { double minSpacing = std::min(std::min(inputSpacing[0], inputSpacing[原创 2021-11-18 17:21:45 · 455 阅读 · 0 评论 -
GAN在医学图像生成中的应用
GAN在医学图像生成中的应用1、重建2、合成GAN框架由生成器(G)、鉴别器(D)以及真实数据X的训练数据集组成。G生成器,是一个多层网络参数θG,旨在找到一种映射x = G(z,θG)。通过映射,G生成假数据。另一方面,鉴别器D(x;θD)旨在把假样本和真实数据区分开来。minGmaxDV(D,G)=Ex∼pdata(x)[log(D(x))]+Ez∼pz(z)[1−log(D(G(z)))](1)\min_{G} \max_{D}V(D,G)=\mathbb{E}_{x\sim p_{dat原创 2021-11-16 22:41:30 · 5542 阅读 · 0 评论 -
SimpleITK 图像配准
SimpleITK 图像配准在网上找的资源,效果不佳,等清楚了函数和原理再细改,调试效果。# -*- coding : UTF-8 -*-# @file : regist.py# @Time : 2021-11-12 17:00# @Author : wmzimport SimpleITK as sitk# Utility method that either downloads data from the MIDAS repository or# if already down原创 2021-11-12 18:03:21 · 5403 阅读 · 2 评论 -
基于GAN的图像配准汇总
基于GAN的图像配准汇总1、 Adversarial Similarity Network for Evaluating Image Alignment in Deep Learning based Registration1.1、 简介1.2、、记号1.3、网络结构2、Adversarial learning for mono- or multi-modal registration2.1、相关工作2.2、网络结构1、 Adversarial Similarity Network for Evaluat原创 2021-11-10 23:49:48 · 3067 阅读 · 0 评论 -
LPS和RAS坐标系
LPS和RAS坐标系1、坐标体系介绍2、世界坐标体系:3、解剖学坐标体系:4、图像坐标体系1、坐标体系介绍在图像处理的程序中通常运用三种坐标体系:世界坐标体系,解剖学上的坐标体系(也称为病人坐标体系)和图像坐标体系。2、世界坐标体系:世界坐标体系是典型的笛卡尔坐标体系,在这个坐标体系中模型(如核磁扫描器,病人)被定位。每个模型都有它自身的坐标体系但是只存在一个世界坐标体系来定义模型的位置与方向。(感觉在医学图像中并不会直接运用世界坐标体系,一般都是解剖学坐标体系和图像坐标体系的运用。)3、解剖学原创 2021-11-10 14:50:26 · 1860 阅读 · 0 评论 -
nnunet 训练分割
这里写目录标题1、整理数据集关于nnunet的安装后面会说,或参考其他博客,这里暂时只整理与训练相关的部分。1、整理数据集① nnUNet需要你把你要训练的数据做一个好好的整理,初学者请务必按照我的做法,等你熟练掌握以后再考虑新的姿势(有些文件夹的创建时多余的,但是你还是跟着我这样做最好):第一步:进入你之前创建的nnUNetFrame文件夹里面,创建一个名为DATASET的文件夹,现在你的nnUNetFrame文件夹下有两个文件夹,nnUNet是代码源,另一个DATASET就是我们接下来用来放数原创 2021-10-16 22:30:22 · 931 阅读 · 0 评论 -
医学图像增强
医学图像增强看到的医学图像增强 python package,备用。MIC-DKFZ/batchgenerators原创 2021-10-15 17:53:06 · 448 阅读 · 0 评论 -
医学图像分割制作标签数据
医学图像分割制作标签数据应该有更简单的办法,这里只记录一种可行的方法。将图像中的对象分割,保存成stl文件,然后将stl文件转换成二值标签体数据。因为深度学习训练的数据一般 要统一成固定的尺寸和spacing,如果分割是从原图上面做的话还有较多工作需要做。1、分割结果如果要作为label供训练使用,需要与输入具有相同的尺寸和spacing,一般分割结果都会比输入尺寸小,spacing小,因此需要重采样,重采样并不能解决空间缺失的问题。...原创 2021-10-13 19:15:33 · 1147 阅读 · 0 评论 -
医学图像预处理
医学图像预处理1、归一化处理2、裁剪、旋转、翻转1、归一化处理方法二,公式为:(X-mean)/std 计算时对每个属性/每列分别进行将数据按期属性(按列进行)减去其均值,并处以其方差。得到的结果是,对于每个属性/每列来说所有数据都聚集在0附近,方差为1。# 方法一:sklearn.preprocessing.scale()函数from sklearn import preprocessingimport numpy as npX_scaled = preprocessing.scale(X原创 2021-10-12 14:15:20 · 2790 阅读 · 0 评论 -
nrrd文件格式转NIFTI
nrrd文件格式转NIFTI1、NRRD批量转换成NIFTI2、Python SimpleITK读取nii.gz文件3、nii.gz格式1、NRRD批量转换成NIFTInii与nii.gz格式的关系标准NIfTI图像的扩展名是.nii,包含了头文件及图像资料。由于NIfTI格式和Analyze格式的关系,因此NIfTI格式也可使用独立的图像文件[.img]和头文件[.hdr]。单独的.nii格式文件的优势就是可以用标准的压缩软件[如gzip],而且一些分析软件包[比如FSL]可以直接读取和写入压缩的.原创 2021-10-12 11:42:17 · 3900 阅读 · 0 评论 -
医学图像分割数据集与制作自己的数据集
在网上下载到LPBA40的数据集,这个是做配准用的,不过用来说明分割数据集格式也可以。原始数据:标签不同的颜色代表不同的类别。注意其实标签颜色都是灰度值,不是彩色的,之所以看到彩色是因为 3d slicer显示软件的显示功能。自己设置不同类别时只需要设置不同的灰度值就可以了。于是制作自己的分割数据集,可以对不同的分割部分使用不同的颜色。也可以参考我的这篇博客里面列出的数据集的样子医学图像分割标注信息如下(样本集7中的标注):标注文件格式“.nii.gz”,3D标注信息中的 左髋灰度值(17原创 2021-10-11 21:59:32 · 3234 阅读 · 2 评论 -
医学影像配准 NCC Loss
医学影像配准 NCC Loss1、归一化交叉相关Normalization cross correlation (NCC)2、图像匹配 | NCC 归一化互相关损失 | 代码 + 讲解2.1 互相关系数2.2 归一化互相关NCC2.3 NCC损失函数的代码1、归一化交叉相关Normalization cross correlation (NCC)相关系数,图像匹配NCC正如其名字,是用来描述两个目标的相关程度的,也就是说可以用来刻画目标间的相似性。一般NCC也会被用来进行图像匹配,即在一个图像中搜索与原创 2021-09-30 16:14:49 · 1772 阅读 · 0 评论 -
医学影像分割 Dice Loss
医学影像分割 Dice Loss1、Dice系数与Dice Loss2、Dice 系数计算3、Dice Loss VS CE4、Dice 系数的 Pytorch 实现4.1、 Dice 系数4.2. Dice Loss4.3. BCELoss2dDice Loss 最先是在VNet 这篇文章中被提出,后来被广泛的应用在了医学影像分割之中。1、Dice系数与Dice LossDice系数是一种集合相似度度量函数,通常用于计算两个样本的相似度,取值范围在[0,1]:s=2X⋂Y∣X∣+∣Y∣s = \f原创 2021-09-29 10:28:07 · 380 阅读 · 0 评论 -
医学图像笔记(七)医学图像配准
1、度量标准从Elastix手册中查到Releases · SuperElastix/elastix (github.com)原创 2021-09-26 15:37:06 · 676 阅读 · 0 评论 -
Elastix配准工具使用
Elastix配准工具使用Elastix 官网地址Elastix github地址:https://github.com/SuperElastix/elastixElastix是一个基于ITK开发的处理医学图像配准问题的工具。因为依赖ITK库,所以需要先下载好ITK库供cmake编译Elastix编译时使用。另外如果不使用源码编译Elastix,应该也可以使用官方预编译的二进制文件,前提是如果你会使用且不关心内部实现。ITK库地址:InsightSoftwareConsortium/ITK下原创 2021-09-26 11:29:58 · 1923 阅读 · 0 评论 -
医学图像笔记(六)医学图像坐标变换
计算世界坐标涉及到的图像属性有:orientationspacingorigin世界坐标计算:[PxPyPz1]=[XxΔiYxΔjZxΔkSxPyΔiYyΔjZyΔkSyPzΔiYzΔjZzΔkSz0001][ijk1]=M[ijk1]\left[\begin{matrix}P_x \\P_y \\P_z \\1\end{matrix}\right] = \left[\begin{matrix}X_x \Delta_i&Y_x\Delta_j&Z_x\Delta原创 2021-09-22 11:23:48 · 437 阅读 · 0 评论 -
医学图像笔记(五)空间变换网络
因为在看 医学图像配准方面的内容,看到VoxelMorph和CIRNet中都有提到STN 空间变换网络。然后查了一下 pytorch官网有提供现成的网络,并且说明要用到最新的版本,因为用到了某些模块:We need the latest version of PyTorch that contains affine_grid and grid_sample modules.pytorch官方教程:SPATIAL TRANSFORMER NETWORKS TUTORIAL本机配置:win10,pyto原创 2021-09-18 14:39:10 · 365 阅读 · 0 评论 -
医学图像笔记(四)医学图像分割
医学图像笔记(四)医学图像分割1、医学图像分割的开源工具2、其他分割2.1、3D VNet2.2、PE-VNet3、医学图像数据集3.1、百度AI studio 数据集3.2、Github上哈佛 beamandrew机器学习和医学影像研究者贡献的数据集4、医学图像分割优质开源代码传统图像分割算法:graphcut、growcut、grabcut、、、基于深度学习的分割算法:1、医学图像分割的开源工具nnUNetMONAI2、其他分割2.1、3D VNet2.2、PE-VNet3、医学图像原创 2021-09-16 22:27:05 · 4907 阅读 · 0 评论 -
医学图像笔记(三)NIFTI数据格式
医学图像笔记(二)NIFTI数据格式1、NIFTI格式的基本内容2、python读取.nii.gz文件1、NIFTI格式的基本内容“神经成像信息技术创新”将NIFTI格式视为ANALYZE7.5格式的替代品。NIFTI最初是用于神经成像的,但它也适用于一些其他的领域。NIFTI中一个主要的特点在于它包含了两个仿射坐标定义,这两个仿射坐标定义能够将每个立体元素指标(i,j,k)和空间位置(x,y,z)联系起来。 Nibabel是用于读取nifti文件的一个朋友Python库,“oro.nifti”是用于读原创 2021-09-14 18:11:35 · 6566 阅读 · 2 评论 -
医学图像笔记(二)nrrd数据格式
医学图像笔记(二)nrrd数据格式1、nrrd数据格式2、python读取nrrd数据1、nrrd数据格式灵活的NRRD格式中包含了一个单个的数据头文件和既能分开又能合并的图像文件。一个NRRD数据头能够为科学可视化和医学图像处理准确地表示N维度的栅格信息。“国家医学图像计算联盟”(NA-MIC)开发了一种用NRRD格式来表示“扩散加权图像”(DWI)和“扩散张量图像”(DTI)的方法。NRRD的“扩散加权图像”和“扩散张量图像”数据可以被解读为一个“3D切片机”,能够直观地确定张量图像的方向与神经解剖原创 2021-09-14 17:22:37 · 8718 阅读 · 1 评论 -
医学图像笔记(一)dicom数据格式
医学图像笔记(一)DICOM表示“医学数字成像和通讯”。DICOM是由“美国国家电气制造商协会”(NEMA)发布的标准,这一标准规范了医学成像的管理、储存、打印和信息传输,这些都是扫描仪或医院“医疗影像储传系统”(PACS)中的文件格式。 DICOM包括了一个文件格式和一个网络通讯协议,其中的网络通讯协议是医疗实体间使用TCP/IP进行沟通的一个规范和准则。 一个DICOM文件由一个数据头和图像数据组成的。数据头的大小取决于数据信息的多少。数据头中的内容包括病人编号、病人姓名等等。同时,它还决定了图像帧数原创 2021-09-14 16:42:52 · 9063 阅读 · 0 评论