![](https://img-blog.csdnimg.cn/20201014180756918.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
医学图像处理
文章平均质量分 60
zhuwei0710
慎独
展开
-
医学图像分析领域的会议与期刊信息
国际上逐步形成了两个知名的医学图像分析领域学术会议:一个是MICCAI( Medical Image Computing and Computer Assisted Intervention) ,侧重于讨论与临床应用相结合的医学图像分析技术和应用;另一个是IPMI( Information Processing in Medical maging) ,侧重于讨论信息处理和模式识别技术在医学图像处理中的应用。这两个会议聚集了很多医学图像分析领域的国际知名专家,反映了该领域的最新动态。在期刊方面,.原创 2020-05-19 19:02:37 · 1381 阅读 · 0 评论 -
DICOM医学图像处理:全面分析DICOM3.0标准中的通讯服务模块
背景: 最近在做关于PACS终端与RIS系统之间进行worklist查询的相关调试工作,因此又重新对DICOM3.0标准中关于网络传输的部分进行了阅读,在此将本周的工作进行一下总结,以加深对DICOM3.0标准的认识,从底层更加清晰的了解worklist查询、C-STORE、C-FIND等各种服务。要点:1)名词简称 该部分中会出现很多的常见名词的缩写,...转载 2018-09-11 09:47:45 · 869 阅读 · 0 评论 -
DICOM医学图像处理:DICOM网络传输
背景: 专栏取名为DICOM医学图像处理原因是:博主是从医学图像处理算法研究时开始接触DICOM协议的。当初认识有局限性,认为DICOM只是一个简单的文件格式约定,简而言之,我当时认为DICOM协议就是扩展名为DCM文件的格式说明。其实不然,随着对医疗行业的深入,对DICOM协议也有了更全面的认识。而今才发现DCM文件只是DICOM协议一部分中的一小节,仅仅是整个协议中的一个数据...转载 2018-09-11 08:46:32 · 4471 阅读 · 0 评论 -
DICOM3.0标准的特点
DICOM3.0标准是医学信息通信领域的国际标准协议,它的突出特点有:(1)DICOM3.0协议是一种基于TCP/IP的上层网络协议DICOM协议处于OSI开放系统互连七层协议的上三层,即会话层、表示层和应用层的位置,而在七层协议的下层主要使用TCP/IP协议所提供的服务。DICOM协议要求在数据的编码、传输之前,必须先进行连接协商以确认双方同意某些特定的条件,可以完成特定的通信功能。DI...转载 2018-09-11 08:44:58 · 2121 阅读 · 0 评论 -
DICOM协议新手入门资料-DICOM协议详细解释
数字影像传输标准协议的初衷,是为了在不同厂商生产的数字影像设备之间实现影像及其附属信息的调用。这个标准的最初版本是所谓ACR(美国放射学会)-NEMA(全国电器设备制造商协会)标准,这个标准定义了点对点的连接协议。但是计算机网络技术的日新月异和PACS(影像传输及归档系统)的发展,很快就让这个协议显得捉襟见肘。其结果是以后的工作目标变成了对ACR-NEMA标准的升级,以使此标准能够支持复杂网络系统...转载 2018-09-11 08:44:16 · 3707 阅读 · 0 评论 -
DICOM入门简介
DICOM是所有从事医学影像处理的工作者需要了解的最基本的图像格式。这里摘抄一篇关于DICOM简介较为详细的文章,我也可以常常浏览,以达到温故而知新的目的。 文章来源: http://www.cnblogs.com/okaimee/archive/2010/05/31/1748514.html 1. Dicom简介:1.1 Di...转载 2018-09-11 08:43:28 · 1174 阅读 · 0 评论 -
医学图像处理:基于标记的分水岭分割算法及算法评估
在医学图像处理中,分割占据很大一部分比重,下面简单说下医学图像分割的评估算法转载 2017-09-28 08:03:01 · 1269 阅读 · 0 评论 -
caffe finetune predict and classify the lung nodule( 肺结节的分类)
引言--做了什么?通过对caffe已有模型进行finetune 实现医学图像CT肺 结节的预测与检测,并实现可视化!思路--出发点是?如果将CNN应用于医学图像,首要面对的问题是训练数据的缺乏。因为CNN的训练数据都需要有类别标号,这通常需要专家来手工标记。要是标记像ImageNet这样大规模的上百万张的训练图像,简直是不可想象的。对于医学图像而言,得到大规模的转载 2017-05-05 16:30:53 · 847 阅读 · 0 评论 -
DICOM医学图像彩色化
如上一篇博文所提到用ImageNet图像来帮助医学图像的识别,但是ImageNet里面的图像(二维,彩色)没有医学图像,包含一些诸如鸟类、猫、狗、直升机等物体的识别,与医学图像(二维或三维,非彩色)相差很大。对此Le Lu大神于2016年3月份发表了一篇文章Deep Convolutional Neural Networks for Computer-Aided Detection: CNN转载 2017-05-05 16:30:11 · 1056 阅读 · 0 评论 -
基于Faster RCNN的医学图像检测(肺结节检测)
Faster-R-CNN算法由两大模块组成:1.PRN候选框提取模块 2.Fast R-CNN检测模块。其中,RPN是全卷积神经网络,用于提取候选框;Fast R-CNN基于RPN提取的proposal检测并识别proposal中的目标。在 学习Faster-RCNN (py-faster-rcnn demo)的基础上 用自己的数据训练 这里选择的是CT肺数据,关于数据处理方面的问题参转载 2017-05-05 16:28:59 · 5618 阅读 · 3 评论 -
ImageNet和CNN怎样帮助医学图像的识别
从ImageNet和CNN说起图像的分类和识别一直是计算机视觉的热门研究领域,在医学图像领域,很多方法也都是从计算机视觉领域借鉴过来的,而计算机视觉的许多方法又离不开机器学习和人工智能的基础。在典型的图像分类和识别问题中,通常有两个重要的步骤,一个是特征提取,常见的有GLCM, HOG, LBP, Haar Wavelet, 一个是分类器, 例如SVM, Random Forest转载 2017-05-05 16:28:27 · 1030 阅读 · 0 评论 -
乳腺MG数据获取(Breast Mammography)
自己收集的数据目前来说是无法使用,其一是数据杂乱,其二没有专家标记或者注释,只有很范的有无病灶 而且也不确切。故需要搜索公开的公共库(Breast Mammography),现在搜索到的有MG数据库有以下几个方面:1 INbreast database:115 case containing 410 images,并且包括xml注释文件。没有直接给出下载链接 需要发邮件索取,邮箱为me转载 2017-05-05 16:27:23 · 1914 阅读 · 0 评论 -
骨骼图像增强实验matlab实现
实验总体思路: 原图像是人体骨骼核扫描图像,我们的目的是通过图像锐化突出骨骼的更多细节来增强图像。由于图像灰度的动态范围很窄并且有很高的噪声内容,所以很难对其进行增强。对此我们采取的策略是,首先用拉普拉斯法突出图像中的小细节,然后用梯度法突出其边。平滑过的梯度图像将用于掩蔽拉普拉斯图像。最后,我们将试图试用灰度变换来增强图像的灰度动态范围。即:具体的实现转载 2017-04-06 08:52:04 · 8574 阅读 · 2 评论 -
X光图像增强(Gauss Laplacian Pyramid)
X光拍摄出的原始图像,一般都比较模糊不清,而在医学应用上,这些被模糊的细节又非常有用,因此,X光图像的增强一直是人们研究的重点。下面,给大家介绍一种非常有用的增强方法:Gauss Laplacian Pyramid算法 关于该方法,已有不少文献对其进行了介绍和阐述,但一般都比较晦涩难懂,本人做了一个比较清晰的实现步骤,以此供大家参考。而关于分解的细节图像如何进行增强(后文会提到),不是本文介转载 2017-04-06 08:15:22 · 6573 阅读 · 4 评论 -
DR图像的畸变校正
DR图像容易产生S形、枕形和局部失真的情况,这给医生对图像的判断带来干扰。而且在医学图像的三维重建中,未经校正的图像进行重建,还会带来一定的重影等干扰。因此,畸变校正是DR图像进行后续处理,不得不对待的一个问题。 图一 原始标靶图像 从图一可以看出,靠近图像边缘处存在很明显的枕形失真,横向上还存在一定的S形失真。校正的第一步是要将图像上所有圆的中心标记出来,并建立一个标准网格分转载 2017-04-06 08:20:07 · 1652 阅读 · 1 评论 -
医学影像开源数据集
笔者是在医疗AI领域奋斗的博士生,最近好几位做计算机视觉的好朋友,想尝试医疗领域的影像,Bigdata是AI的燃料,索性把自己之前的藏货拿出来分享一下,大家一起加油!(医学影像的分割、匹配、分类、超分辨、重建等应该都有资源)1、Github上哈佛 beamandrew机器学习和医学影像研究者-贡献的数据集https://github.com/beamandrew/medic转载 2017-04-11 20:25:51 · 16350 阅读 · 7 评论