本文针对遵守DICOM3.0标准的CT医学影像，详细讨论了绘制定位线的有效方案

基于有监督哈希的肺结节CT图像检索

本文主要介绍了用FPGA实现CT图像重建算法。

CT图像处理过程中ART重建的matlab代码

三个系统参数误差引起的CT图像伪影的形成机理及校正

该数据集旨在允许测试不同的方法，以检查与使用对比度和患者年龄相关的CT图像数据的趋势。基本思想是识别与这些特征密切相关的图像纹理，统计图案和特征，并可能构建简单的工具，以便在对这些图像进行错误分类时自动对这些图像进行分类（或查找可能是可疑情况，测量错误或机器校准不良的异常值） ） overview.csv CT Medical Images_datasets.txt CT Medical Images_datasets.zip

CT图像中金属伪影的一种校正方法，孙树文，罗守华，CT图像中，由于衰减系数剧烈变化产生的星放射状伪影称为“金属伪影”，它们对断层结构的判断带来很大困难，因此需要有效的方法对�

这是一个含有大概300张患有新冠肺炎的肺部ct图 可以作为一个研究的数据库而且 现在这个对需要人比较难找 所以分享在这

提供了一系列图像。大家根据数据集图像情况看是否下载整个数据集 NIH临床中心最新公布了一个迄今规模最大的多类别、病灶级别标注临床医疗CT图像开放数据集DeepLesion，研究人员在此基础上训练深度神经网络，创建了一个具有统一框架的大规模通用病灶检测器，能够更准确、更自动地衡量患者体内所有病灶的大小，实现全身范围的癌症初步评估。 4427名独立的匿名患者 10594次CT扫描（平均每位患者有3次随访） 32735个带标记的病灶实例 一共928020张CT横切图像（512×512分辨率） 这就是美国国家卫生研究院（NIH）临床中心最新公开发布的大型CT图像数据集DeepLesion，也是迄今全球规模最大的多类别、病灶级别标注的开放获取临床医疗图像数据集。

为将肺实质区域从含有背景、噪声的胸腔区域里分割出来，首先，应用传统的区域生长法初步定位肺部边界轮廓；其次，去除肺部边界噪声，采用自适应曲率阈值法修复肺部边界；最后，应用水平集法中的DRLSE模型精确地分割出肺部区域。融合两种方法分割肺部区域，有效防止了图像边缘的漏检，可处理多种类型病变的肺部图像。在随机抽取的150例图像中，分割的准确率达到96.9%，分割一幅图像花费的时间约为0.72 s，具有很强的鲁棒性和较高的分割精度。本算法能精确完整地分割出肺部区域并保留了肺区内的细节信息。