医学图像分割
文章平均质量分 89
Tina姐
微信公众号【医学图像人工智能实战营】,医学图像处理领域,坚持已实践为主,手把手带你做项目,打比赛,写论文。
展开
-
在3D Slicer中使用 Monai Bundle 和 Model Zoo 标注医学影像数据-全身CT器官分割
MONAIModel Zoo提供了一系列由社区开发的医学影像模型,采用格式。Monai Bundle 允许您轻松获取任何来自 MONAI Model Zoo 的模型并将其导入 MONAILabel。Model Zoo提供的模型包括MRI脑肿瘤分割,CT肺结节检测,病理细胞核分割分类,CT胰腺分割,MRI前列腺分割,CT肾脏分割,CT脾脏分割,MRI脑切片生成等20几个模型。后面会用单独的篇幅分别介绍这些预训练模型的使用。原创 2024-08-30 15:55:45 · 1196 阅读 · 0 评论 -
在3D Slicer中使用 Monai Bundle 和 Model Zoo 标注医学影像数据-CT肺结节检测
MONAIModel Zoo提供了一系列由社区开发的医学影像模型,采用格式。Monai Bundle 允许您轻松获取任何来自 MONAI Model Zoo 的模型并将其导入 MONAILabel。Model Zoo提供的模型包括MRI脑肿瘤分割,CT肺结节检测,病理细胞核分割分类,CT胰腺分割,MRI前列腺分割,CT肾脏分割,CT脾脏分割,MRI脑切片生成等20几个模型。后面会用单独的篇幅分别介绍这些预训练模型的使用。原创 2024-08-30 15:52:43 · 1121 阅读 · 2 评论 -
MONAILabel in 3D Slicer 案例1: 在腹部CT中自动分割脾脏
MONAILabel in 3D Slicer 案例1: 在腹部CT中自动分割脾脏。原创 2024-08-30 15:39:28 · 1015 阅读 · 0 评论 -
扫盲:如何提升医学图像分割性能-to do list
我不会对细分的基本原理进行简单介绍,但我会对其进行初步介绍分割是根据类别将图像分成不同的部分。在一般情况下,分割算法会考虑这个像素是否应该属于哪个类别,并因此给它分配一个类别。大多数情况下,分割分为 3 类:语义分割 | 实例分割 | 全景分割关于分割类型可以查看我之前的文章【添加链接】语义分割实例分割全景分割一些分割架构具有特殊的编码器-解码器结构,它们是架构的基本组成部分。编码器负责从输入图像中提取特征并缩小其空间尺寸。解码器的目的是从编码器获得的抽象特征中重建分割输出。原创 2024-05-21 16:57:26 · 649 阅读 · 0 评论 -
扫盲:医学图像分割类型和应用
图像分割是从医学图像和视频中分离出感兴趣区域(ROI)的技术。它是标注和标记数据的关键步骤,而标注和标记数据是训练用于医疗诊断的计算机视觉模型(CV、AI、ML 等)所必需的。图像分割可应用于各种类型的医学图像,如 DICOM 和 NIfTI 图像、CT 扫描、X 射线和 MRI 图像。它可以帮助你识别和隔离图像中的对象和区域。图像分割的方法有很多,从传统方法到基于深度学习的方法都有。所有这些方法都需要很高的准确性和精确度,因为注释或模型建立阶段的任何错误都会对患者、治疗和医疗服务提供者造成严重影响。原创 2024-05-21 16:55:21 · 988 阅读 · 0 评论 -
python版:使用TotalSegmentator工具可在1分钟内自动分割全身117个器官,附批量技巧
用于对 CT 图像中超过 117 个类别进行分割的工具。它接受了各种不同 CT 图像(不同扫描仪、机构、协议等)的训练,因此应该适用于大多数图像。大部分训练数据集可以从Zenodo下载(1228 个主题)。您还可以在totalsegmentator.com上在线试用该工具。是在大型数据集上使用nnUNet V2训练的一个AI模型,可以在CT数据上自动分割全身117个器官(见文末)!同时还可以分割部分血管,脑出血,胸腔积液等(后面会介绍)。原创 2024-03-22 20:06:01 · 4219 阅读 · 6 评论 -
MedSAM in 3D Slicer: 分割一切医学图像
这是 MedSAM 的官方 3D Slicer 插件存储库,可用于在医学图像中分割任何物体。什么是MedSAM:点击查看这篇文章【添加文章】查看分割演示👇添加视频文中涉及到的视频前往VX查看到这里各位学会了吗😜这可能是目前唯一一个教程Tina姐没有实践就发出来的(在老家无法连接服务器)。没关系,我们提供了文字+视频版教程,相信聪明的你一定可以!文章持续更新,可以关注微公【医学图像人工智能实战营】获取最新动态,一个关注于医学图像处理领域前沿科技的公众号。坚持以实践为主,手把手带你做项目,打比赛,写论文。原创 2024-02-08 16:18:15 · 2453 阅读 · 4 评论 -
SCI 1区论文:Segment anything in medical images(MedSAM)[文献阅读]
医学图像分割是临床实践中的一个关键组成部分,有助于准确诊断、治疗计划和疾病监测。然而,现有的方法通常针对特定的模式或疾病类型,在各种医学图像分割任务中缺乏可推广性。在这里,我们介绍了MedSAM,这是一个基础模型,旨在通过实现通用医学图像分割来弥合这一差距。该模型是在大型医学图像数据集上开发的,有1570263对图像-掩码对,涵盖10种成像模式和30多种癌症类型。我们对86个内部验证任务和60个外部验证任务进行了全面评估,证明了比模态专家模型更好的准确性和稳健性。原创 2024-02-08 16:16:13 · 1786 阅读 · 0 评论 -
快准狠!在3D Slicer中,使用TotalSegmentator扩展可在1分钟内自动分割全身117个器官
本系列涵盖从 3D Slicer 医学图像查看器的基础使用到高级自动分割扩展程序的内容(从入门到高阶!),具体包括软件安装、基础使用教程,自动分割扩展(totalsegmentator, monai label)快速标注数据。:强烈建议做图像分割的宝宝们好好学习,跟着Tina姐涨姿势!如果对你有帮助,转发支持一下🖖这是该系列的第二篇,在这篇博文中,我们将从3D Slicer下载一些示例数据,并使用自动分割扩展从图像中分割目标。将重点介绍扩展。原创 2024-02-07 17:13:08 · 3744 阅读 · 7 评论 -
3D Slicer-最强大的开源医学图像分割工具简要概述
3D Slicer 是一个免费的开源软件平台,用于医学、生物医学和其他 3D 图像的可视化、处理、分割、配准和分析。读/写DICOM图像和多种其他格式;三维图像、多边形网格和体积渲染的交互式可视化;手动编辑和标记图像;使用刚性和非刚性算法融合和共同配准数据;图像自动分割;跟踪图像引导程序的设备。所有的功能模块可在工具栏里找到,提供搜索,下拉选择,左右切换等功能。3D slicer的大概情况就介绍到这里。它的功能非常强大,也没有必要说掌握每个功能的使用。原创 2024-02-07 17:07:06 · 8444 阅读 · 0 评论 -
如何用excel快速实现“平均值±标准差”
如图,论文中,一般都会给出平均值和标准差。大家在写科技论文的时候,通常用excel来整理数据,那如何用excel快速实现“平均值±标准差”。要Tina说,这很简单!记住下面这个公式即可。ROUND(AVERAGE(B2:Bx),4) *100&“±”&ROUND(STDEV(B2:Bx), 4) *100ROUND(x, 4): 表示保留4位小数AVERAGE(B2:Bx):表示求B2:Bx行的平均值。STDEV(B2:Bx): 表示求B2:Bx行的方差*100: .原创 2021-08-06 11:43:55 · 47531 阅读 · 7 评论 -
使用Tansformer分割三维腹部多器官--UNETR实战
不会 transformer 没关系,本教程开箱即用。Tina姐总算对transformer下手了,之前觉得难,因为刚开始学序列模型的时候就没学会。然后就一直排斥学transformer。这两周没什么事,加上MONAI有现成的教程,就打算先跑通后,再学理论。然后,顺利的跑通了代码,再学了一周理论,发现它也不过如此嘛,入门还是很容易的。有同学想了解的transformer的话,可以先看完这个实战教程,如果感兴趣,后续会出一个transformer入门路线。利用纯Transformers作为编码器来学习输入量的原创 2022-06-08 20:57:36 · 8649 阅读 · 50 评论 -
使用FSL-FAST分割三种脑组织:白质,灰质,脑脊液
简单介绍 FSL-FASTFAST(FMRIB 的自动分割工具)将大脑的 3D 图像分割成不同的组织类型: 灰质(grey matter, GM)、白 质 (white matter, WM)、脑脊液(cerebrospinal fluid, CSF)等。 同时还校正空间强度变化(也称为偏置场或 RF 不均匀性, 不过随着现在技术的进步,不均性问题基本不存在了)底层方法基于隐马尔可夫随机场模型和相关的期望最大化算法。整个过程是完全自动化的,并且还可以产生偏置场校正的输入图像以及概率和/或部分体积组织分割原创 2022-05-12 09:34:00 · 6319 阅读 · 0 评论 -
MICCAI 2021 FLARE 挑战:快速和低 GPU 内存腹部器官分割-附代码
MICCAI 2021 FLARE 挑战:快速和低 GPU 内存腹部器官分割简介腹部器官分割在临床实践中发挥着重要作用,在某种程度上,这似乎是一个已解决的问题,因为最先进的方法已经在几个基准数据集中实现了观察者间的性能。然而,现有的腹部数据集大多只包含单中心、单阶段、单一机构或单一疾病的病例,并且尚不清楚是否可以将优异的性能推广到更多样的数据集上。此外,许多 SOTA 方法使用模型集成来提高性能,但这些解决方案通常具有较大的模型尺寸和大量的计算资源,在临床实践中部署是不切实际的。为了解决这些限制.原创 2021-09-22 09:55:03 · 2183 阅读 · 6 评论 -
如何度量两幅图像的相似度--结构相似度 SSIM 原理及代码
如何度量两幅图像的相似度–结构相似度SSIM本文目录文章目录1. 什么是 SSIM2. SSIM 有什么用3. 使用 pytorch 计算 SSIM3.1 二维图像 SSIM 计算3.1.1 准备工作3.1.2 官网的第一个案例3.1.3 官网的第二个案例3.2 在图片上写字,并制作GIF3.2.1 使用Python在图片上写字3.2.2 制作GIF3.3 3D 图像的 SSIM 计算和 loss1. 什么是 SSIM结构相似性指数(Structural Similarity Index meas原创 2021-09-15 11:10:07 · 7724 阅读 · 7 评论 -
如何用matplotlib画多Y轴图
如图,我们想把每个例子的多个指标(Dice, HD, IOU)画在同一个图中,应该怎么操作呢使用到的工具是: matplotlib (Version: 3.3.3)from mpl_toolkits.axes_grid1 import host_subplotfrom mpl_toolkits import axisartistimport matplotlib.pyplot as plthost = host_subplot(111, axes_class=axisartist.Axes).原创 2021-08-10 19:35:30 · 5545 阅读 · 3 评论 -
如何获取三维标签的轮廓表示
首先,我们为什么要把标签换成轮廓表示这是某一篇论文的原图,用两种颜色分别表示分割结果和ground truth.想象一下,如果用实心标签显示,会怎么样?自然是很杂乱,看不清两者的区别在哪。我们再看下一个例子:实心标签转轮廓标签||||||||||||||||||||||||||||||||||||||||||||||||||||如图,我们有标签的时候,想要获得他的边界进行展示,应该如何操作呢?直接上代码:def get_edge_points(img): """ get原创 2021-08-10 18:05:38 · 548 阅读 · 3 评论 -
一文看懂如何用 Python 查看三维数据 (nii.gz格式) 的各种图像参数
Python 如何读取CT/MRI数据的大小,值范围,层厚,分辨率等信息一文看懂如何用 Python 查看三维数据(nii.gz格式)的各种图像参数编程环境: jupyter notebook导入所有安装包import numpy as npimport nibabel as nibfrom ipywidgets import interact, interactive, IntSlider, ToggleButtonsimport matplotlib.pyplot as plt%mat原创 2021-08-09 19:36:47 · 19965 阅读 · 28 评论 -
深度学习,分割后处理之通过填补孔洞,提高分割准确度
当我们查看分割结果时,会发现分割内部偶尔会出现这种分割孔洞(hole)。常识告诉我们,这个器官内部是没有孔洞的,因此,我们通过后处理的方法把它填上,可以提高分割准确度。这种三维孔洞,我们希望有一种便捷方法,可以直接填补这种三维孔洞。可以使用 SITK 的二值孔洞填补方法。 sitk.BinaryFillholesitk.BinaryFillhole注意: 该函数只针对二值图像(值为0或1)import SimpleITK as sitkimport osimport globimgl.原创 2021-08-07 15:04:45 · 3899 阅读 · 0 评论 -
深度学习,分割后处理之通过连通成分分析去除假阳性区域,提高分割准确度
背景:用深度学习方法得到的分割结果,会有一些假阳性区域。比如说做肾分割,大家都知道,肾只有左右两边有,如果分割结果出现了三个区域,则可以根据常识,去除那个假阳性区域。用到的方法就是连通成分分析Connected-Components。我也是刚接触,只知道OpenCV提供了这样的一个函数cv2.connectedComponents 以及 进阶版 cv2.connectedComponentsWithStats1.cv2.connectedComponents实例:import cv原创 2020-09-28 20:23:22 · 4776 阅读 · 0 评论 -
[代码实战]手把手带你训练一个COVID检测网络,准确率高达90%
本次实战的的概况如下:代码来源:https://github.com/junaidiqbalsyed/Covid_detection_CNN目的:使用 CNN(vgg and resnet)检测 COVID 并使用GRAD-CAM进行可视化方法: 二分类(normal or covid)框架: keras (不会没关系,很简单)结果:源代码在VGG-16的准确率为 85%, 我使用resnet跑的结果为88%,甚至90%。难易程度: ⭐️⭐️结果展示resnet准确度可视化原创 2021-07-14 15:44:49 · 893 阅读 · 10 评论 -
通过简单案例-深入理解深度学习中两种常用的归一化方法
数据归一化共有三种技术:Min-Max归一化、Z-score归一化和十进制标度归一化。前两种在深度学习中使用的最多,本博客主要讲解前两种。文章目录1 最小最大规范化 Min-Max举例 生活中的例子举例 深度学习中的例子举例 如何用Python写min-max归一化1 最小最大规范化 Min-Max最小-最大规范化也称为离散标准化,是对原始数据的线性变换,将数据值映射到新的 [min, max] 之间.假设集合A 值的范围为 [minA, maxA]。 通过最小-最大归一化将A的值映射到 [new原创 2021-06-21 18:48:03 · 2164 阅读 · 32 评论 -
【理论+实践】史上最全-论文中常用的图像分割评价指标-附完整代码
图像分割的评价指标非常多,论文中常用的包括像素准确率(Pixel Accuracy, PA)、交并比(Intersection-Over-Union,IOU)、Dice系数(Dice Coeffcient), 豪斯多夫距离( Hausdorff distance,HD95),体积相关误差(relative volume error, RVE)。文末还为懒癌星人提供一站式服务,只需修改地址,就可以实现所有指标,并且将结果存为Excel。接下来,一一为大家解答。内容超多,建议收藏,需要用到时再来学习。文.原创 2021-06-08 09:13:49 · 11068 阅读 · 53 评论 -
搞深度学习/图像处理 三个必备网站
哎,这是个悲伤的故事。猜猜领导对我说过最多的一句话是什么A: 你很优秀,我看好你B: 好好干,今年奖金不会少C: 辛苦了D: 最近有啥进展E: 这你都不会啊F: 这个不对,再改改很显然,肯定不是A,不然我叹啥气呀????好了,谜底评论区揭晓~~~这三个网站,其中有两个我也是知道不久,赶紧分享给大家。作为图像处理科研狗, 拥有这三个工具,纷纷钟 get 前沿技术,论文,数据,还有源码。如果你还在怕复现论文,找不到相关文献,缺乏医学图像数据,那这三个网站一定要收藏。-----------原创 2021-06-03 17:22:45 · 6519 阅读 · 4 评论 -
不用写代码神器!教你用4行命令轻松使用nnUNet训练自己的医学图像分割模型
给定某个数据集,nnU-Net完全自动执行整个分割过程,包括数据预处理到模型配置、模型训练、后处理到集成的整个过程,而不需要人为干预。此外,训练好的模型还可以应用到测试集中进行推理。博主强烈建议:做医学图像分割的任何人,都必须要会使用nnU-Net理由2个:首先用nnU-Net测试一下。看一下该任务的大致效果,心里有个大致预测。第二,写论文的时候通常都要和nnU-Net对比,尤其是投英文期刊(SCI)。因为它太火了,审稿人都知道这个东西的,不要抱侥幸心理。要么战胜它,要么使用它????。它的出现,原创 2021-06-01 09:05:29 · 14670 阅读 · 83 评论 -
论文解读- nnU-Net: Self-adapting Framework for U-Net-Based Medical Image Segmentation(附实现教程)
本篇主要解读论文 “nnU-Net: Self-adapting Framework for U-Net-Based Medical Image Segmentation” == nnU-Net:基于U-Net的自适应医学图像分割框架。实现见本专栏下其他博文。直达链接????(写了再附上)点击下载论文点击进入github code地址文章目录nnU-Net 是什么,有多厉害Abstract1 Introduction2 Methods2.1 Network architectures2.1.1原创 2021-05-14 17:51:51 · 12486 阅读 · 12 评论