SimpleITK學習（一）基本概念
SimpleITK學習（二）圖像讀取
[醫學圖像處理] Python SimpleITK軟件包常用參數與使用方法分析
Python中利用SimpleITK讀取DICOM文件
之前一直用二維卷積神經神經網絡來識別肺部結節，由於沒有利用到空間信息等問題，識別率可能會有瓶頸，此外也多是用別人的代碼跑這個數據，想多自己實現一些網絡，開始了三維卷積神經網絡的學習。先看了慕課上曹健老師的課程，對神經網絡構造訓練的八股有所
VTK圖像處理之vtkImageReslice vtk類之vtkImageReslice：基本算法，對體數據沿着軸進行切片 VTK/Tutorials/Extents 三維圖像切面提取 切片（Slice）或切面是三維圖像比較
python讀寫.nii格式圖像 The NIFTI file format 用pytorch處理醫學圖像（以nifity圖像爲例）----持續更新中 nibabel.Nifti1Image()的Example
DICOM文件座標信息整理和轉換 DICOM的常用Tag分類和說明 dicom文件tag詳解 醫學圖像之DICOM格式解析 DICOM3.0影像文件中的平面和立體座標信息 python 讀取DICOM頭文件的實例
剛剛結束的 MICCAI2019 會議的論文集分爲6個部分，這段時間刷了一遍 Part I，在這兒和大家做一個簡單的分享交流 由於本人主要專注於分割領域和半監督弱監督等學習策略，下面給出的綜述可能多涉及該方向。 選出的文章主要突
文章出處 Shaban, Amirreza, et al. “One-shot learning for semantic segmentation.” arXiv preprint arXiv:1709.03410 (2017)
形狀一致的生成對抗網絡 SC-GAN —— 無監督域適應 文章原文：Yu, Fei, et al. “Annotation-Free Cardiac Vessel Segmentation via Knowledge Transf
最近剛開始看腦影像方面的內容，感謝博主們的分享！ python與醫療圖像1 https://blog.csdn.net/ssw_1990/article/details/51890055 python與醫療圖像2 https://blo
本文主要是對 U-Net 論文中主要內容的提煉，中間加入了一些自己的理解，有些地方自己不是很懂，所以直接採用了直譯的方式。建議大家去閱讀原文。 U-Net 的主要優點是可以用更少的訓練樣本達到更好的效果，並且速度很快，這對於訓練
本文是無監督的醫學圖像配準模型——VoxelMorph 的論文筆記。 變形配準（Deformable registration）策略通常包括兩步：第一步是可實現全局對齊的仿射變形，然後是具有自由度更高的更緩慢變形變換。本文主要是
本文是 nnU-Net 論文的筆記，稍微做了整合了一下，可能有些地方有所遺漏，等以後看完代碼之後再補充。 1. 摘要 nnU-Net（no-new-Net）是基於 U-Net 的一種模型，它在達到很好的效果的同時還實現了自適應（
本文是關於醫學圖像配準軟件 ANTs（Advanced Normalization Tools）的安裝和使用說明。 ANTs ANTs 是 Advanced Normalization Tools 的縮寫，是基於 C 語言的一個
本文是 cycleGAN 論文《Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks》的閱讀筆記。 論文一上來就給出了該
本文是關於論文《CT Super-resolution GAN Constrained by the Identical, Residual, and Cycle Learning Ensemble (GAN-CIRCLE)》的閱
1、DICOM簡介 DICOM(Digital Imaging and Communications in Medicine)：醫學影像成像和通訊標準。 所有患者的醫學圖像都以DICOM文件格式存儲。這個格式包含關於患者的PH
