医学图像处理1
医学图像处理相关
吴天德少侠
这个作者很懒,什么都没留下…
展开
-
读取vtk文件并渲染显示
【代码】读取vtk文件并渲染显示。原创 2024-08-15 09:49:55 · 121 阅读 · 0 评论 -
计算三维医学图像二值numpy数组的边界
【代码】计算三维医学图像二值numpy数组的边界。原创 2024-01-12 13:07:23 · 340 阅读 · 0 评论 -
c++版本opencv计算灰度图像的轮廓点
【代码】c++版本opencv计算灰度图像的轮廓点。原创 2023-11-23 13:33:18 · 548 阅读 · 0 评论 -
c++版本itk读取dicom序列
【代码】c++版本itk读取dicom序列。原创 2023-08-29 14:35:12 · 160 阅读 · 0 评论 -
itk计算图像像素范围range
【代码】itk计算图像像素范围range。原创 2023-05-19 14:57:14 · 108 阅读 · 0 评论 -
itk归一化图像
比如,将现在[-1000,600]的图像归一化到[-1,1]原创 2023-05-19 09:07:38 · 59 阅读 · 0 评论 -
itk提取感兴趣区域
【代码】itk提取感兴趣区域。原创 2023-05-19 08:59:25 · 70 阅读 · 0 评论 -
使用itk开发常用类型定义
【代码】使用itk开发常用类型定义。原创 2023-05-11 09:40:26 · 62 阅读 · 0 评论 -
python+simpleITK进行窗宽窗位调整
【代码】python+simpleITK进行窗宽窗位调整。原创 2023-04-21 10:17:37 · 799 阅读 · 0 评论 -
python+SimpleITK获取3D图像的轮廓
遇到一个需求,需要将目标的轮廓排除掉,搜索发现了SimpleITK里面一个直接可以用的函数。原创 2023-04-03 17:48:00 · 290 阅读 · 0 评论 -
python+simpleITK(sitk)用来resize图像大小
【代码】python+simpleITK(sitk)用来resize图像大小。原创 2023-03-21 08:55:45 · 573 阅读 · 0 评论 -
神经网络推理3D医学图像之后的后处理
医学图像处理原创 2023-02-20 17:57:14 · 309 阅读 · 0 评论 -
swin unetr的3D语义分割
3d医学图像分割原创 2023-02-15 09:17:05 · 3428 阅读 · 34 评论 -
pytorch实现自定义医学3d图像数据集dataset
pytorch原创 2023-01-31 16:32:44 · 853 阅读 · 0 评论 -
itk创建新的空图像和复制图像
itk原创 2023-01-11 17:12:15 · 217 阅读 · 0 评论 -
itk三维坐标与一维index的转换关系
itk原创 2023-01-06 14:08:53 · 434 阅读 · 0 评论 -
使用itk进行窗宽窗位的设置
itk,c++原创 2022-12-08 17:31:21 · 1717 阅读 · 0 评论 -
使用itk的区域增长算法分割图像
itk,c++原创 2022-12-08 17:24:41 · 308 阅读 · 0 评论 -
itk调整图像的像素值范围
itk原创 2022-10-14 15:18:45 · 342 阅读 · 0 评论 -
itk创建一个新的3d图像
itk原创 2022-10-12 15:58:28 · 279 阅读 · 1 评论 -
三维旋转和平移矩阵
3d图像原创 2022-10-12 11:00:28 · 2630 阅读 · 0 评论 -
医学图像匹配,c++计算归一化互相关NCC
c++原创 2022-09-09 16:59:04 · 715 阅读 · 0 评论 -
itk读取png图像【c++】
itk,c++原创 2022-09-01 09:04:11 · 594 阅读 · 0 评论 -
itk对direction进行操作
itk原创 2022-08-17 17:48:56 · 344 阅读 · 3 评论 -
c++新建一个itk_image的direction
itk,c++原创 2022-08-11 09:49:13 · 356 阅读 · 0 评论 -
c++使用itk得到三维数据某个维度的某张切片
c++,itk原创 2022-07-22 15:56:57 · 759 阅读 · 0 评论 -
visual studio踩坑记录
vs2022原创 2022-07-19 15:17:14 · 1366 阅读 · 0 评论 -
pydicom处理dicom序列的tag
为了删除个人信息,进行脱密原创 2022-07-06 08:33:00 · 814 阅读 · 0 评论 -
3d图像裁剪
由于gpu/cpu内存太小,所以需要将3d图像切分为小块,然后保存为numpy数组文件一、裁剪图像import matplotlib.pyplot as pltimport nibabel as nibimport osimport numpy as npdef crop(img,label=None,patch_size=[128,128,16]): """ patch_size[0],patch[1]能保证被x,y整除 \n patch_size[2]可以不原创 2022-03-14 18:50:39 · 5205 阅读 · 5 评论 -
医学3d图像区域增长(以肺结节为例)
grow.pyimport numpy as npimport queuedef grow3d(array,start_points:list,threshold=1000): """ 3d图像区域像素值增长 array: 3维数组, d,y,z start_points: 指定的初始位置z,y,x threshold: 阈值变动范围 """ def cal_stadard_val(pos:list,): """原创 2022-03-11 15:07:38 · 614 阅读 · 0 评论 -
查看肺结节图像(luna16)
import SimpleITK as sitkimport matplotlib.pyplot as pltimport numpy as npdef worldToVoxelCoord(worldCoord, origin, spacing,node_size): """ 医生标的世界坐标转成像素坐标 """ stretchedVoxelCoord = np.absolute(worldCoord - origin) voxelCoord = stre.原创 2022-03-11 15:01:17 · 432 阅读 · 0 评论 -
luna16肺结节信息查看
import SimpleITK as sitkimport matplotlib.pyplot as pltimport numpy as npdef worldToVoxelCoord(worldCoord, origin, spacing,node_size): stretchedVoxelCoord = np.absolute(worldCoord - origin) voxelCoord = stretchedVoxelCoord // spacing # x,y,z.原创 2022-03-11 13:26:29 · 287 阅读 · 0 评论 -
将切割后的多块3d医学图像合成一个大图
from scipy import ndimageimport numpy as npimport SimpleITK as sitkimport nibabel as nibimport matplotlib.pyplot as pltimport osif __name__ == '__main__': working_dir = "case01_label/" # 因为mege之前要分块预测,所以640是提前知道的 nums = 640//128 fi.原创 2022-03-11 08:53:10 · 315 阅读 · 0 评论 -
对医学3d图像进行小块切割
from scipy import ndimageimport numpy as npimport SimpleITK as sitkimport nibabel as nibimport matplotlib.pyplot as pltimport osMIN_BOUND = -1000.0MAX_BOUND = -500def norm_img_func(image): # 归一化像素值到(0,1)之间,且将溢出值取边界值 image = (image - MIN_BOU.原创 2022-03-11 08:51:51 · 1296 阅读 · 0 评论 -
使用python进行dicom序列转nii
一、安装环境pip install dicom2nifti二、写代码现在我有一个文件夹里面都是dicom序列需要转换import dicom2niftiif __name__ == '__main__': dicom_path = "HKMTEVPH/3EIKEE1O" dicom2nifti.convert_directory(dicom_path,'./')结果就会保存在当前目录下:解压之后,使用itk-snap软件打开:.原创 2022-03-02 11:00:40 · 4294 阅读 · 4 评论