ct、核磁共振、pet等相关的医学图像相关知识，包括医学图像噪声，x射线相关基础知识。超声等，核安全，回波序列。ct伪影，ct剂量，ct重建等知识。

RadiAnt是一个精致小巧的DICOM viewer程序，医学图像的DICOM浏览器，由两个热情的波兰人设计研发而成，本网站设计是全新的。它小巧，简单，快捷，对简单快速地浏览图片起到了很大作用。它有足够的空间来浏览系列图片，可以一次性载入多个系列，不同系列间还可以相互转换。它以64位模式汇编，所以可以实现大量数据集的载入。它不断更新，并且拥有一个完美执行的网站，是一个名符其实的好工具！ 功能特

传统数据挖掘方法不能清晰描述医学图像的特征信息和高分辨属性。为解决上述问题，提出一种基于决策树的海量医学图像数据挖掘方法。分析图像的简化属性分裂特点，并通过引入矫正函数的方式定义决策树分类堆，完成海量医学图像挖掘决策树分类规则的确定。在此基础上，利用医学图像目标识别和灰度直方特征提取结果，确定局部数据的挖掘引子，完成基于决策树的海量医学图像数据挖掘方法研究。模拟方法运行环境设计对比实验结果表明，与传统数据挖掘方法相比，应用基于决策树的海量医学图像数据挖掘方法后，医学图像特征信息、高分辨属性的描述清晰程度均得到20%左右的提升。

博文：DICOM医学图像处理：fo-dicom网络传输之 C-Echo and C-Store中抓取的CECHO和CSTORE的本地回路测试数据包

brain.mhd brain.raw脑部医学图像 vtk可使用，脑部MR图像。vtk各种例子中经常使用到这个图像。供大家学习使用。

在这项工作中，我们正在尝试对X射线或CT扫描图像进行分割，以检测颈椎病。 这项工作用于通过机器学习算法实现对X射线图像的颈椎病的检测。 该任务基于对子宫颈图像骨骼中疾病的早期检测，然后使用FCM分类器进行分类以找到准确性参数。 在这里，作为宫颈图像的数据集用于此医学成像相关研究。 这已成为全世界的主要疾病之一。 此处，噪声添加和滤波过程使用中值滤波完成，而分割使用阈值，基于形态学，基于FCM的分割方法完成，特征的提取也使用Kirsch模板和形态学闭合完成。 在这里，FCM方法用于查找更多的群集区域。 在这种情况下，通过自适应方法产生的性能比从宫颈图像检测和分类疾病的准确性高出70％。 同样，该方法提供了更少的执行时间段以准确地识别疾病。

react-cornerstone-viewport React的基础医学图像视口组件 文档和示例： : 安装 # # NPM npm install --save react-cornerstone-viewport # # Yarn yarn add react-cornerstone-viewport 用法 import React , { Component } from 'react' import CornerstoneViewport from 'react-cornerstone-viewport' class Example extends Component { render ( ) { return ( < CornerstoneViewport> ) } } 执照 麻省理工学院:copyright:

什么是MedicalVision？ 基于pytorch的深度学习工具包，用于医学图像分析。 MedicalVision的目标是在火炬上提供轻巧的包装，可以进一步减少开发用于医学图像分析任务（例如分类，配准和分割等）的新算法的时间。 动机与目标 随着深度学习在计算机视觉中的流行，已经提出了许多基于深度学习的作品/体系结构来处理传统医学图像分析任务（分类，注册和分割）。 不幸的是，据我所知，还没有一个基于pytorch的简单有效的工具包能够实现快速原型制作。 在日常工作中，我会为各种医学图像数据集编写DataLoader并重现一些论文中介绍的算法。 为了使生活更轻松，创建了MedicalVision工具包，旨在提供： 著名医学图像数据集的数据加载器 最新模型中使用的常见损失和指标 动物园模型，包括经过培训的最新模型 ... MedicalVision工具箱仍在开发中。 以下流行的深度学习

2021-域自适应-医学图像分析 综述译文

DICOM医学图像数据接口的Java实现