matlab图像分割肿瘤代码用于从CT图像进行肝分割的深度学习模型的基本合奏 此存储库包含用于合奏方法的样本脚本，该文章在“用于从CT图像进行肝脏分割的深度学习模型的基本合奏”中进行了解释。 有关详细说明，请参阅该文章（当前正在审核中）。 该代码是用MATLAB编写的。 ensemleDeepModels_MAIN.m是用户需要执行的主要脚本。 在脚本中有四种单独的分割方法的评估和五种不同的集成方法的实现以及它们的评估。 数据来自CT Set 2。 除了此存储库中的所有文件之外，还必须从提供的链接中下载（143 MB）。 该文件存储来自CHAOS CT Set 2的四个独立深度模型的概率图。 这些模型是： DeepMedic ：K. Kamnitsas，E。Ferrante，S。Parisot，C。Ledig，AV Nori，A。Criminisi等人，“ DeepMedic用于脑肿瘤分割”，在“计算机科学讲座”中，第1卷。 10154 LNCS。 查尔斯·施普林格，湛，2016年10月，第138–149页。 密集的V型网络：E。Gibson，F。Giganti，Y。Hu，E。Bonm

Lymphatics of the stomach and liver (preview)

焦斑肝和肝肿瘤分割 在该项目中，级联的U-net体系结构用于分割肝脏和肝脏肿瘤。 这是一项正在进行的工作，此回购中介绍了基本网络。 要求 [pytorch]（ ） [opencv]（ ） 数据集 数据集来自LITS挑战（ ）

matlab 强度增长代码肝血管分割 从肝脏 CT 图像中分割血管。 以下代码是程序运行所必需的： Kollmannsberger、Kerschnitzki 等，“骨细胞的小世界：骨骼中腔隙小管网络的连接组学。” 新物理学杂志 19:073019, 2017。 Kollmannsberger、Kerschnitzki 等，“骨细胞的小世界：骨骼中腔隙小管网络的连接组学。” 新物理学杂志 19:073019, 2017。 蒂姆·杰曼 (2020)。 Jerman 增强过滤器 ()，GitHub。 2020 年 12 月 8 日检索。 格雷厄姆·特里斯 (2020)。 结构变化双音滤波器 ()，MATLAB 中央文件交换。 2020 年 12 月 8 日检索。 丹尼尔·凯尔纳 (2020)。 区域增长（2D/3D 灰度）()，MATLAB 中央文件交换。 2020 年 12 月 8 日检索。

unet liver Unet network for liver CT image segmentation data preparation structure of project --project main.py --data --train --val data and trained weight link: code: 17yr all dataset you can access from: training python main.py train testing load the last saved weight python main.py test --ckpt=weights_19.pth 数据准备 项目文件分布如下 --project main.py --data --train

背景：超声弹性成像已被广泛用于测量肝硬度。 然而，超声弹性成像技术获得的肝粘弹性的准确性尚未得到很好的确立。目的：评估超声弹性成像技术测量肝脏粘弹性的准确性，并与常规流变方法进行比较。 此外，要确定这两种方法的结合是否可以描绘出宽频率范围内的肝脏流变行为。方法：使用超声在100至400 Hz频率范围内的肝脏中测量切波的相速度弹性波成像方法的剪切波分散超声振动法（SDUV），而复杂的剪切模量是通过流变法在1至30 Hz的频率范围内获得的。 三种流变模型，Maxwell，Voigt和Zener，适合于从两种不同方法以及两种方法的组合获得的测量数据。结果：SDUV测量的弹性与流变法的吻合性很好。 但是，通过SDUV测量的粘度与流变法的粘度显着不同。结论：结果表明，色散数据的高频成分在确定色散模式或粘性值方面比低频更重要成分。 已经发现，Maxwell模型不如Voigt和Zener模型适合描述肝脏的流变行为。

这项研究使用模型依赖和模型独立方法评估大鼠肝脏中肝纤维化的等级。 使用四氯化碳（CCl4）诱导37只大鼠肝纤维化; 6只大鼠作为对照。 剪切波速度作为频率的函数，称为速度分散，是通过称为剪切波分散超声振动法（SDUV）的超声弹性成像方法在体外测量的。 对于依赖模型的方法，将速度色散数据拟合到Voigt模型以求解粘弹性模量。 对于与模型无关的方法，通过线性回归分析速度色散数据的模式，以提取斜率和截距特征。 通过两种方法获得的参数分别使用接收器工作特性（ROC）曲线分析进行评估。 结果表明，在区分F0–F1级和F2–F4级纤维化的所有参数中，ROC曲线下面积的截距值最大。 这一发现表明，模型非依赖性方法可以为肝纤维化分期提供模型替代方法的替代方法。

肝脏模型.obj，可以用与医学图像和虚拟手术当中，导入U3d等