【醫(yī)學圖像處理】教程簡介
一、醫(yī)學圖像的類型與獲取
二、醫(yī)學圖像預(yù)處理
圖像去噪：采用均值濾波器、高斯濾波器、中值濾波器、小波去噪、非局部均值去噪等方法，去除圖像中的噪聲干擾，提高圖像質(zhì)量。比如，高斯濾波器利用高斯函數(shù)對圖像進行加權(quán)平均，能有效平滑圖像并保留一定邊緣信息。
圖像增強：通過線性拉伸、直方圖均衡化、非線性增強方法、梯度增強、Retinex 算法等手段，提升圖像的對比度和清晰度，突出感興趣區(qū)域。例如直方圖均衡化，能使圖像灰度分布更加均勻，增強整體視覺效果。
圖像校正：包含 Gamma 校正等，用于校正圖像的亮度和色彩，確保圖像顯示符合臨床診斷需求。
三、醫(yī)學圖像分割
閾值分割：依據(jù)圖像的灰度特性，設(shè)定合適閾值將圖像分為目標與背景區(qū)域。該方法簡單高效，在一些灰度差異明顯的圖像分割中應(yīng)用廣泛。
邊緣檢測：利用 Canny 邊緣檢測、Sobel 算子、Laplacian 算子等算法，檢測圖像中物體的邊緣，從而確定目標區(qū)域邊界。如 Canny 邊緣檢測算法，具有較好的邊緣檢測精度和抗噪性能。
區(qū)域生長：從一個或多個種子點出發(fā)，依據(jù)一定的相似性準則，將相鄰像素逐步合并，形成目標區(qū)域。
四、醫(yī)學圖像配準與融合
圖像配準：旨在將不同時間、不同模態(tài)或不同視角獲取的醫(yī)學圖像進行對齊，以便醫(yī)生綜合分析。可分為基于外部特征（如借助定位框架）和基于圖像內(nèi)部特征（如基于圖像的灰度、特征點等）的配準方法。基于互信息的彈性形變模型等新方法也不斷涌現(xiàn)，推動圖像配準技術(shù)向更精準方向發(fā)展。
圖像融合：將多幅醫(yī)學圖像的互補信息整合到一幅圖像中，為臨床提供更全面準確的資料。數(shù)據(jù)融合方式包括以像素為基礎(chǔ)（如加權(quán)求和等簡單操作）和以圖像特征為基礎(chǔ)（需復(fù)雜的特征提取等處理）兩種。融合圖像的顯示常用偽彩色顯示法、斷層顯示法和三維顯示法等。
五、醫(yī)學圖像特征提取與分析
六、醫(yī)學圖像深度學習應(yīng)用
課程目錄
1.開課宣傳
2.1-1 簡介
3.1-2 圖像與醫(yī)學圖像的由來
4.1-3 醫(yī)學圖像的種類
5.1-4 醫(yī)學圖像處理的流程
6.2-1-1 圖像的灰度直方圖與二值化
7.2-1-2 圖像的灰度直方圖與二值化
8.2-2-1 圖像卷積及其濾波
9.2-2-2 圖像卷積及其濾波
10.2-2-3 圖像卷積及其濾波
11.2-3-1 圖像的基本操作和特征
12.2-3-2 圖像的基本操作和特征
13.2-3-3 圖像的基本操作和特征
14.2-4-1 VTK與ITK（上）
15.2-4-1 VTK與ITK（下）
16.2-4-2 VTK與ITK
17.3-1-1 二值的形態(tài)學（上）
18.3-1-1 二值的形態(tài)學（中）
19.3-1-1 二值的形態(tài)學（下）
20.3-1-2 二值的形態(tài)學（上）
21.3-1-2 二值的形態(tài)學（下）
22.3-1-3 二值的形態(tài)學
23.3-2-1 灰度的形態(tài)學（上）
24.3-2-1 灰度的形態(tài)學（下）
25.3-2-2 灰度的形態(tài)學（上）
26.3-2-2 灰度的形態(tài)學（下）
27.3-3-1 分水嶺算法
28.3-3-2 分水嶺算法
29.4-1-1 彩色圖像
30.4-1-2 彩色圖像
31.4-2-1 三維圖像
32.4-2-2 三維圖像
33.5-1-1 形變模型
34.5-1-2 形變模型（上）
35.5-1-2 形變模型（下）
36.5-1-3 形變模型
37.5-2-1 圖像分割
38.5-2-2 圖像分割
39.6-1-1 多模態(tài)醫(yī)學圖像配準
40.6-1-2 多模態(tài)醫(yī)學圖像配準
41.6-2 圖像重采樣
42.6-3-1 剛體配準
43.6-3-2 剛體配準
44.6-4-1 非剛體配準
45.6-4-2 非剛體配準
46.6-5 互信息測度
47.6-6 多解像度配準和評價
