【医学图像处理】教程简介
一、医学图像的类型与获取
二、医学图像预处理
图像去噪：采用均值滤波器、高斯滤波器、中值滤波器、小波去噪、非局部均值去噪等方法，去除图像中的噪声干扰，提高图像质量。比如，高斯滤波器利用高斯函数对图像进行加权平均，能有效平滑图像并保留一定边缘信息。
图像增强：通过线性拉伸、直方图均衡化、非线性增强方法、梯度增强、Retinex 算法等手段，提升图像的对比度和清晰度，突出感兴趣区域。例如直方图均衡化，能使图像灰度分布更加均匀，增强整体视觉效果。
图像校正：包含 Gamma 校正等，用于校正图像的亮度和色彩，确保图像显示符合临床诊断需求。
三、医学图像分割
阈值分割：依据图像的灰度特性，设定合适阈值将图像分为目标与背景区域。该方法简单高效，在一些灰度差异明显的图像分割中应用广泛。
边缘检测：利用 Canny 边缘检测、Sobel 算子、Laplacian 算子等算法，检测图像中物体的边缘，从而确定目标区域边界。如 Canny 边缘检测算法，具有较好的边缘检测精度和抗噪性能。
区域生长：从一个或多个种子点出发，依据一定的相似性准则，将相邻像素逐步合并，形成目标区域。
四、医学图像配准与融合
图像配准：旨在将不同时间、不同模态或不同视角获取的医学图像进行对齐，以便医生综合分析。可分为基于外部特征（如借助定位框架）和基于图像内部特征（如基于图像的灰度、特征点等）的配准方法。基于互信息的弹性形变模型等新方法也不断涌现，推动图像配准技术向更精准方向发展。
图像融合：将多幅医学图像的互补信息整合到一幅图像中，为临床提供更全面准确的资料。数据融合方式包括以像素为基础（如加权求和等简单操作）和以图像特征为基础（需复杂的特征提取等处理）两种。融合图像的显示常用伪彩色显示法、断层显示法和三维显示法等。
五、医学图像特征提取与分析
六、医学图像深度学习应用
课程目录
1.开课宣传
2.1-1 简介
3.1-2 图像与医学图像的由来
4.1-3 医学图像的种类
5.1-4 医学图像处理的流程
6.2-1-1 图像的灰度直方图与二值化
7.2-1-2 图像的灰度直方图与二值化
8.2-2-1 图像卷积及其滤波
9.2-2-2 图像卷积及其滤波
10.2-2-3 图像卷积及其滤波
11.2-3-1 图像的基本操作和特征
12.2-3-2 图像的基本操作和特征
13.2-3-3 图像的基本操作和特征
14.2-4-1 VTK与ITK（上）
15.2-4-1 VTK与ITK（下）
16.2-4-2 VTK与ITK
17.3-1-1 二值的形态学（上）
18.3-1-1 二值的形态学（中）
19.3-1-1 二值的形态学（下）
20.3-1-2 二值的形态学（上）
21.3-1-2 二值的形态学（下）
22.3-1-3 二值的形态学
23.3-2-1 灰度的形态学（上）
24.3-2-1 灰度的形态学（下）
25.3-2-2 灰度的形态学（上）
26.3-2-2 灰度的形态学（下）
27.3-3-1 分水岭算法
28.3-3-2 分水岭算法
29.4-1-1 彩色图像
30.4-1-2 彩色图像
31.4-2-1 三维图像
32.4-2-2 三维图像
33.5-1-1 形变模型
34.5-1-2 形变模型（上）
35.5-1-2 形变模型（下）
36.5-1-3 形变模型
37.5-2-1 图像分割
38.5-2-2 图像分割
39.6-1-1 多模态医学图像配准
40.6-1-2 多模态医学图像配准
41.6-2 图像重采样
42.6-3-1 刚体配准
43.6-3-2 刚体配准
44.6-4-1 非刚体配准
45.6-4-2 非刚体配准
46.6-5 互信息测度
47.6-6 多解像度配准和评价
