主要内容

分割

医学图像分割使用深度学习，交互式标签应用程序，或图像处理算法

图像分割是将图像划分为多个区域的过程。语义分割将图像中的每个像素或体素与描述图像区域含义的类标签关联起来，例如骨，肿瘤,或背景．你可以使用深度学习进行医学图像的语义分割医学图像贴标签机或者图像处理算法。深度学习工作流程需要深度学习工具箱™和计算机视觉工具箱™。

应用程序

医学图像贴标签机 显示和标记2-D和3-D医学图像

功能

全部展开

imbinarize 利用阈值法对二维灰度图像或三维体进行二值化处理
graythresh 使用大津方法的全局图像阈值
multithresh 使用大津方法的多级图像阈值
otsuthresh 使用Otsu方法的全局直方图阈值
adaptthresh 使用局部一阶统计的自适应图像阈值
grayconnected 利用洪水填充技术选取灰度值相近的连续图像区域
分水岭 分水岭变换
activecontour 利用主动轮廓(蛇)区域生长技术将图像分割成前景和背景
imsegfmm 二值图像的快速推进分割方法
gradientweight 基于图像梯度计算图像像素的权重
graydiffweight 根据灰度强度差计算图像像素的权重
imsegkmeans 基于k均值聚类的图像分割
imsegkmeans3 基于k均值聚类的体积分割
superpixels 二维超像素图像过分割
superpixels3 三维图像的三维超像素过分割

加载和准备培训数据

groundTruthMedical 医学图像的地面真值标签数据
changeFilePaths 更改医学图像的地面真相数据中的文件路径
合并 合并两个或多个groundTruthMedical对象
imageDatastore 图像数据的数据存储
pixelLabelDatastore 像素标签数据的数据存储
randomPatchExtractionDatastore 用于从图像或像素标签图像中提取随机2-D或3-D随机补丁的数据存储
结合 合并来自多个数据存储的数据
变换 变换数据存储

进口网络

importKerasLayers 从Keras网络导入层
importTensorFlowLayers 进口层TensorFlow网络
importONNXLayers 进口层ONNX网络

设计网络

fcnLayers 为语义分割创建完全卷积的网络层
segnetLayers 为语义分割创建SegNet层
unet3dLayers 创建三维U-Net层，用于体积图像的语义分割
unetLayers 创建用于语义分割的U-Net层
pixelClassificationLayer 创建用于语义分割的像素分类层
dicePixelClassificationLayer 使用广义Dice损失创建像素分类层进行语义分割

部分图片

semanticseg 基于深度学习的语义图像分割
labeloverlay 在二维图像上叠加标签矩阵区域
volshow 显示卷
jaccard 用于图像分割的Jaccard相似系数
骰子 用于图像分割的Sørensen-Dice相似系数
bfscore 用于图像分割的轮廓匹配评分

主题

相关信息

Baidu
map