ct

论文精读｜RED-CNN：残差编解码网络，低剂量 CT 去噪的经典基线（四）里我们实测过：剂量越低，投影里的泊松噪声越大，FBP 出来的图像噪声也越重。降低剂量又不想让图像变差，有三条路：在投影域滤波、做迭代重建，或者先照常做 FBP，再在图像上去噪。

CT 重建从零开始（五）：ASTRA Toolbox 上手——几何、投影器与算法前几篇的实验都用 scikit-image 的 radon / iradon，或者自己写几十行 NumPy。这样讲原理足够，但一到真实尺寸就不够用了：没有 GPU 加速，没有锥束，也很难嵌进深度学习网络。

论文精读｜Learned Primal-Dual：把原始–对偶算法展开成网络上一篇的 FBPConvNet 先做 FBP，再让 U-Net 去条纹。这条路简单好用，但有一个绕不开的上限：网络只看得到 FBP 图像，FBP 里已经丢掉的信息，后处理补不回来。

论文精读｜FBPConvNet：先 FBP 再 U-Net，深度学习 CT 重建的起点前面几篇我们实测过：同一个体模，30 个角度的 FBP 只有 22.14 dB，满屏条纹；换成 SART 加 TV 能到 36.35 dB，但要迭代 200 次，还要手调正则权重。

CT 重建从零开始（四）：低剂量 CT 的噪声模型与 PSNR / SSIM几乎每篇低剂量 CT 去噪论文都会给一张表：剂量多少、PSNR 多少、SSIM 多少。但这两个问题很少有人讲透：低剂量的噪声到底长什么样？PSNR 和 SSIM 到底是怎么算出来的？

CT 重建从零开始（一）：Radon 变换、正弦图与 FBP做 CT 重建，绕不开三个词：Radon 变换、正弦图、FBP。后面的迭代重建、稀疏视角、扩散模型，几乎每篇论文都拿 FBP 当基线。这篇用最少的公式把它们讲清楚，最后给一段可以直接运行的 Python 代码，亲手看一遍"投影 → 正弦图 → 重建"的全过程。

【MATLAB代码介绍】三种CT模型的IMM（交互式多模型）对目标高精度定位三个CT模型，分别是旋转速率不同，适用于定位、导航、目标跟踪原创代码，包运行成功，禁止翻卖这段代码实现了一个基于交互式多模型 (Interacting Multiple Model, IMM) 算法的二维目标跟踪仿真系统。与常规的 CV/CA 模型组合不同，本程序采用了三个不同转弯速率的匀速圆周运动 (CT) 模型来增强对复杂机动轨迹的跟踪能力。

大数据AI人工智能培训专家培训讲师叶梓

Merlin：面向腹部 CT 的三维视觉语言基础模型腹部 CT 年检查量巨大且放射科医师资源持续短缺，现有医学视觉语言模型多局限于二维图像与短文本处理，难以解析三维容积信息，且高度依赖人工标注，泛化能力与临床实用性不足。斯坦福大学研究团队提出Merlin，构建原生三维视觉语言模型，联合电子健康记录与放射报告进行无标注预训练，突破二维模型在三维医学影像理解中的局限，实现多任务自动化分析。

AI医影跨模态组学

J Transl Med（IF=7.5）苏州大学附属第一医院秦颂兵教授等团队：基于机器学习影像组学的食管鳞癌预后评估列线图01文献学习今天分享的文献是由苏州大学附属第一医院秦颂兵教授等团队于2025年12月在《Journal of Translational Medicine》（中科院2区，IF=7.5）上发表的研究“A nomogram integrating machine learning-derived CT radiomics and clinical characteristics for prognostic assessment in patients with locally advanced esopha

weixin_46846685

电磁波成像（X射线、CT成像）原理简介大多数图像的形成离不开一个照射源、场景元素以及一个探测器，场景元素对照射源能量的反射或吸收被探测器检测到，就可以产生对应的图像。

劳尔的狙击镜

CT影像寻找皮肤轮廓预处理注意此方法处理的是CT影像。问题是：原来对于CT影像寻找轮廓之前的预处理不合适，导致轮廓向体内偏移严重：

透明证书机制——安全审计一些前置知识： https://www.cnblogs.com/mysticbinary/p/17260648.html

CT中的2D、MPR、VR渲染、高级临床功能在CT（计算机断层扫描）中，2D、MPR（多平面重建）、VR（体积渲染）是不同的图像显示和处理技术，它们各自有独特的用途和优势。下面分别介绍这三种技术：

【图像处理】DR图像后处理中的窗宽和窗位的简要说明与DR对应的概念是CT。1.1、DR（Digital Radiography, 数字化X射线成像）： a、DR 是传统X射线技术的数字化版本。X射线穿过人体后，根据组织密度的不同，部分被吸收，未被吸收的X射线通过后会投影到探测器上生成图像。 b、DR图像是一个二维的平面投影图像，它不能提供内部结构的层级信息。 c、典型应用：胸部X光片、骨骼检查等。 d、成像维度：DR二维成像，类似于普通照片，只能显示前后结构的叠加信息，无法区分不同层次的组织。

DICOM CT\MR片子免费在线查看工具；python pydicom包加载查看；mayavi 3d查看参考： https://zhuanlan.zhihu.com/p/668804209dicom格式：片子下载的zip压缩包里面文件大概格式：

星辰大海里编程

C++医学临床影像信息管理系统源码在现代医疗行业中，医学影像信息系统包括RIS，按照DICOM3.0国际标准设计，是由高性能服务器、网络和存储设备组成的硬件支撑平台，以大型关系数据库作为数据和影像的存储和管理工具，以医学影像的采集、传输、存储和诊断为核心。它是集图像采集、传输和存储管理，图像诊断查询和报告管理、综合信息管理等功能于一体的综合应用系统。其主要任务是保存各种医学图像(包括核磁共振、CT、DR、超声、各种X光机等产生的图像。)由医院影像科通过DICOM3.0国际标准接口(中国市场多为模拟、DICOM、网络等接口)以数字化方式生成

源码技术栈

【C++】PACS医学图像存储和传输系统源码带三维重建PACS（Picture Archiving and Communication System）系统作为医学图像的存储和传输平台，为医生和患者提供了便捷高效的诊疗服务支持。近年来，三维重建技术在PACS系统中的应用越来越广泛。

源码技术栈

医学影像系统源码（MRI、CT三维重建）核磁共振成像（英语：Nuclear Magnetic Resonance Imaging，简称NMRI），又称自旋成像（英语：spin imaging），也称磁共振成像（Magnetic Resonance Imaging，简称MRI），台湾又称磁振造影，香港又称磁力共振扫描，是利用核磁共振（nuclear magnetic resonance，简称NMR）原理，依据所释放的能量在物质内部不同结构环境中不同的衰减，通过外加梯度磁场检测所发射出的电磁波，即可得知构成这一物体原子核的位置和种类，据此可以绘制成

源码技术栈

医学影像处理系统源码（PACS）通用医学图像处理平台覆盖全模态、多维度临床应用，助力提供医学图像分析的全景高清视角，赋能临床精准诊断。

源码技术栈

【PACS源码】认识PACS的架构和工作流程PACS系统的基本组成部分包括：数字影像采集、通讯和网络、医学影像存储、医学影像管理、各类工作站五个部分。