一些医学图像分割的小例子，对于初学者来说是非常有用的。

CA-Net：用于可解释医学图像分割的综合注意力卷积神经网络 该存储库提供“ CA-Net：可解释医学图像分割的综合注意力卷积神经网络”的代码。 现在可以在上我们的工作。 接受了我们的工作。 图1. CA-Net的结构。 图2.皮肤病变分割。 图3.胎盘和胎脑分割。 要求条件 一些重要的必需软件包包括： 版本> = 0.4.1。 智慧 Python == 3.7 一些基本的python软件包，例如Numpy。 按照官方的指导安装 。 用法 用于皮肤病变分割 首先，您可以在下载数据集。 我们仅使用了ISIC 2018 task1训练数据集，要对数据集进行预处理并另存为“ .npy”，请运行： python isic_preprocess.py 为了进行5倍交叉验证，请将预处理数据分成5倍并保存其文件名。 跑步： python create_folder.py 要在ISI

基于VTK开源软件包，结合Java applet编程，采用Java applet签名技术对程序进行签名认证。实现了Web方式下DICOM医学图像的三维重建，在重建的三维体上清晰显示出了人体器官的解剖结构,重建可在Internet上以Web模式跨平台运行,并可在三维体上进行交互切割和模拟手术开窗。分析用Java applet实现基于Web的医学断层图像三维重建是可行的,且实现的系统便于维护和升级，说明在临床上有很大应用价值。

针对传统阈值分割算法的一些缺点，通过将数字形态学与阈值分割算法相互结合提出了一种改进的阈值分割算法来进行脊椎图像分割，并将分割结果与传统图像分割方法得到的结果进行分析对比。结果显示本论文改进的阈值分割算法得到的脊椎分割图像与传统方法分割的图像相比在抑制噪声方面有好的效果，在对比度方面也优于其他传统的医学图像分割方法，最后设计了计算脊椎相邻椎体间的相对距离、相对椎体厚度及其变化率的有效算法，可为临床进一步应用提供参考。

MICCAI2016论文集第二部分，主要为医学图像影像处理分析。

由于医学图像会同时含有物体边缘、物体阴影与噪声, 针对于医学图像边缘检测中很难从噪音或者微小几何特征中区分出精确边缘的问题, 本文提出了一种基于超熵的检测嘈杂医学图像边缘的算法，引入超熵系数,通过适当确定超熵的参数值，不仅可以抑制噪声，还可以适应图像的不同边缘检测。通过试验，发现所提出的算法相对于其他方法性能具有明显的提高,运行时间缩短至80%。

当使用体积图像进行深度学习时，标记数据是一个很大的挑战。 在放射治疗领域，从CT图像中，提取人体、器官、GTV等各个区域作为区域数据，并存储在DICOM RT的RT-Structure中。 这些数据主要用于计划治疗，但我们也可以使用它们作为标签数据来加速深度学习工作流程。 通过此演示，您可以了解如何将 RT-Structure 数据转换为标签数据，并使用它们在 MATLAB 上训练 3D UNet（语义分割）模型。 [日本人]医学图像 3D 深度学习的主要挑战是标记复杂且耗时。在放射治疗领域，人体、器官、肿瘤等被定义为所拍摄的 CT 图像的区域，并由 DICOM RT 的 RT-Structure 管理。这些是为治疗计划而创建的，但提取的区域数据也可以用作深度学习的标签。在此演示中，您可以转换 RT-Structure 数据以用于深度学习并学习流程，直到将其用于学习 3D UNet。

内容索引:VC/C++源码,图形处理,图像处理　　VC++简单医学图像处理系统，可以调整图像色阶、锐度、反色、灰底均衡，还可以对图像进行反转、平移、旋转等操作，类似Photoshop某些功能一样，当然，和PS比，是差了点，只能作为一些C++处理图像的参考吧。

擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真。

针对分层B样条非刚性配准存在局部极值以及水平集分割方法不适用于噪声图像分割的问题,提出了一种基于局部更新分层B样条双向变换和水平集方法的医学图像联合分割与配准方法。该方法在分割算法中加入配准变换,在配准中融入图像分割的结构信息。使用B样条水平集函数对变换和分割的图像进行平滑表示,并在配准中引入双向变换以提高配准的精度和平滑性。在水平集方法的基础上,引入双向分层B样条变换构造分割与配准的联合能量泛函,并结合梯度下降法将能量泛函最小化以优化目标函数。实验结果表明:本方法与单独的图像分割方法相比,Dice度量均在99%以上;与单独的图像配准方法相比,均方误差下降了30%,能够提高图像的配准精度,且在分割噪声图像时有较好的鲁棒性。