本资源为本人自己学习后整理的一些实用资料，分享给开始入门学习ITK进行医学图像分割的同学，ITK 是一个开放 源码、面向对象的软件系统，提供一个医学图像处理、图像分割与配准的算法平台，对医学图像进行二维、三维算法操作非常方便 具体内容可前往本资源配套CSDN博客“基于C++的ITK图像分割与配准学习笔记3（图像分割）”，查看，及具体原理和实现效果！！！

医学图像三维重建是通过计算机图形学、数字图像处理技术、计算机可视化以及人机交互等技术,把二维的医学图像序列转换为三维图像在屏幕上显示出来,并根据需要为用户提供交互处理手段的理论、方法和技术。图像分割是进行图像三维重建的必要准备,图像分割效果的优劣直接影响三维重建在医学领域的应用。医学图像分割和三维重建将数字图像处理技术和计算机图形学应用在了在生物医学工程中,该应用涉及到计算机图形学、图像处理技术、生物医学工程等多种技术,该领域的研究多学科交叉的,在医学诊断、手术规划及医学教学等方面有很高的应用价值,是近年来的计算机应用技术的一个研究热点。医学图像分割与三维重建是两个不可分割的相关领域。本文研究了基于区域的图像分割和基于边缘的两种图像分割方法在医学图像处理中的应用,并在实验中利用ITK提供的区域生长法成功分割出肝脏、脊柱和肺脏等人体组织器官;三维重建算法分为两类:面绘制和直接体绘制。面绘制从三维体数据中抽取目标对象等值面,通过传统的图形学方法进行渲染;体绘制技术则将整个体数据进行可视化显示,使医生可以通过设置适当的参数调节后观察医学数据的三维内部结构信息。本文研究了光线投射体绘制算法、错切变形法和基于纹理映射的体绘制算法,以及Marching Cubes面绘制算法的实现机制和适用范围,并利用VTK提供的三维重建算法对不同人体部位的组织和器官实现了重建实验。本文主要研究了医学图像分割与三维重建技术的应用。在对医学图像分割和三维重建基础理论以及三维重建相关的三维切割技术进行研究和实验的基础上,结合医学图像分割开发工具包ITK(Insight ToolKit)和可视化开发包VTK(Vislual ToolKit),以及ActiveX开发技术,设计了一个医学图像三维重建VolumeRenderX控件并通过MFC编程实现。这是一个面向对象、可扩展的跨IDE(Intergreted Development Enviroment)开发平台的开发控件,并针对实际应用需求整合了重建参数调节和重建体剖切等多种实用功能,相对于传统的医学图像处理与三维重建系统具有更大的应用价值。本文还提出了一个基于WEB模式的医学图像三维重建的解决方案。

nnU-Net是一个专为医学图像分割而设计的框架。 给定一个新的数据集（包括训练案例），nnU-Net将自动处理整个实验管道。

本程序为M文件，运行环境为matlab, 也可通过matlab转化为C++运行。实现功能：可实现医学图像的自动分割！

此代码为 Matlab进行医学图像聚类分割的代码，可以进行三维数据转换，非常适合在此基础上进行修改，如果下载下来，有不能实现的或者需要其他相关程序的,例如K-means，可以私聊我，欢迎打扰。

传输网 此存储库包含代码 用法 1.下载Google预先训练的ViT模型 ：R50-ViT-B_16，ViT-B_16，ViT-L_16 ... wget https://storage.googleapis.com/vit_models/imagenet21k/{MODEL_NAME}.npz && mkdir ../model/vit_checkpoint/imagenet21k && mv {MODEL_NAME}.npz ../model/vit_checkpoint/imagenet21k/{MODEL_NAME}.npz 2.准备数据 请访问以获取详细信息，或将电子邮件发送至jienengchen01 AT gmail.com以请求预处理的数据。 如果您想使用预处理后的数据，请将其用于研究目的，请勿重新分发。 3.环境 请准备一个python = 3.7的环境，然后使用命令“

从开始研究医学图像开始阐述，阐述了各种方法，和本人的研究方法。这里是一个课题的开题报告，有用的可以下载下来参考一下，实际的操作实验还需要自己完善。

里面包括肝脏分割数据集和整个工程所有文件，下载完之后直接运行就好，工程文件包括model.py,train.py和predict.py三个文件，数据集中训练集一共有400张肝脏图片及对应分割模板，验证集一共有20张肝脏图片及对应分割模板

 文中在研究现有先验知识与支持向量机融合的基础上，针对置信度函数凭经验给出的不足，提出了一种确定置信度函数方法，更好地进行分类。该方法是建立在模糊系统理论的基础上：将样本的紧密度信息作为先验知识应用于支持向量机的构造中，在确定样本的置信度时，不仅考虑了样本到所在类中心之间的距离，还考虑样本与类中其它样本之间的关系，通过模糊连接度将支持向量与含噪声样本进行区分。文中将基于先验知识的支持向量机应用于医学图像分割，以加拿大麦吉尔大学的brainWeb模拟脑部数据库提供的不同噪声的图像进行实验，实验结果表明采用基于先验知识的支持向量机比传统支持向量机具有更好的抗噪性能及分类能力。

UNet : 用于医学图像分割的嵌套U-Net架构