项目开发中，使用的部分CT图像，预览请点击链接：https://blog.csdn.net/mdxiaohu/article/details/88948366

一种基于三维CT 图像序列的新的自动肺实质分割方法,综合利用了阈值分割、区域增长及数学形态学等算法,并在特 定体层通过图搜索算法精确定位左右肺前后连接线狭窄区域,有效解决了肺实质边缘结节易分割遗漏及左右肺分离的难题·通过多组胸部CT 序列图像的实验证明,该方法对于肺实质分割非常精确有效。

为了改善低剂量计算机断层扫描(CT)图像的视觉质量, 提出一种基于卷积神经网络的图像去噪方法。网络引入批量归一化, 并且学习的是低剂量CT图像到其噪声图像之间的映射; 使用空洞卷积在不提高复杂度的情况下增大感受野; 此外, 还将前后层的特征图进行连接, 使后方的卷积层能够利用前方各层的特征图作为输入, 鼓励网络中特征图的重用。实验结果表明, 与目前较先进的方法相比, 所提网络结构在实现了更好去噪效果的同时大幅度降低了网络复杂度, 能够快速、显著地改善低剂量CT图像的视觉质量。

基于稀疏表示的CT图像中肾上腺肿瘤自动分割

肺部CT图像病变区域检测是肺病辅助诊断技术的重要研究内容，其通过自动分析CT图像并输出病变区域的位置和尺寸等信息，帮助放射科医生做出决策，有利于肺病的早期发现与治疗.

基于U-Net网络的肺部CT图像中的肺结节轮廓识别，张驰，赵磊，在肺部CT图像切片上，肺结节很小并且有些肺结节与周围良性组织相连。由于肺结节的灰度值与周围良性组织的灰度值相差很小，这使得�

资源主要是完成对COVID-19的分类识别，包括COVID图像数据集，数据降维算法PCA,LLE,PCA_LLE组合算法，利用SVM对图像进行分类识别，识别率超过80%，并且对算法性能进行优化比较，包括时间、算法最优参数选择（LLE的维度与邻域）、SVM的最优分类等等，是一个比较完整的课题实验。如有实验思路问题可私信。

随着科技的进步和技术的发展,在临床医学中医学CT图像发挥着越来越重要的作用，它成为医师诊断疾病的重要手段,尤其在肺癌的早期检查中。近年来，医学影像技术的发展提高了医学诊断的准确度和可信度。医学CT图像跟普通图像有很大的不同，它是对人体的成像。人体的组织器官的密度.各不相同、人体的呼吸运动、心跳运动以及获取图像的设备的质量差异，这些因素都可能造成CT图像中感兴趣区域的对比度差、细节边缘模糊、掺杂噪声等问题，这些问题会对医生的诊断造成很大的影响。为此医学CT图像去噪和增强算法的研究就便得十分重要。本文主要从CT图像去噪和CT图像增强两方面进行研究，提出了两种适合与医学CT图像去噪和增强的算法。版权属于原作者，仅供下载学习交流使用，不得用于商业用途，下载完后请于24小时内删除，谢谢配合。

扇束CT图像FBP算法的MATLAB代码，其中包含RL、SL和NEW滤波器，可以分析不同滤波器对重建结果的影响。

肺部CT图像病变区域检测是肺病辅助诊断技术的重要研究内容，其通过自动分析CT图像并输出病变区域的位置和尺寸等信息，帮助放射科医生做出决策，有利于肺病的早期发现与治疗.