详细内容或原文请订阅后点击阅览
机器学习的 3D 医学成像简介：预处理和增强
了解如何应用 3D 变换进行医学图像预处理和增强，以设置您的出色深度学习管道
来源:AI夏令营当我意识到无法在医学图像中应用常见的图像处理流程时，我完全灰心了。为什么这样的功能不存在？所以，我为那些像我一样对解决医学成像问题感兴趣的灰心丧气的人写了这篇文章（加上一个笔记本）。
笔记本我们已经讨论了医学图像分割和一些关于坐标系和 DICOM 文件的初始背景。我在这个领域的经验使我继续进行数据理解、预处理和一些增强。正如我常说的，如果你只是理解你的数据及其特殊性，你可能就是在玩宾果游戏。在医学成像领域，我发现一些数据操作对于我们的理解至关重要，这些操作在最先进的方法的预处理和增强中被大量使用。为此，我提供了一个笔记本供大家玩。它对医学图像执行转换，医学图像只是一个 3D 结构化网格。
坐标系统要深入了解 AI 在医学中的应用，Coursera 提供的 AI for Medicine 在线课程绝对不会错。如果您想专注于使用深度学习进行医学图像分析，我强烈建议您从基于 Pytorch 的 Udemy 课程开始。
要深入了解 AI 在医学中的应用，Coursera 提供的 AI for Medicine 在线课程绝对不会错。如果您想专注于使用深度学习进行医学图像分析，我强烈建议您从基于 Pytorch 的 Udemy 课程开始。
AI for Medicine 基于 Pytorch 的 Udemy 课程数据：我们将使用 nibabel（python 库）提供的 2 张 MRI 图像进行演示。图像存储为漂亮的文件。但在此之前，让我们编写一些代码来可视化 3D 医学体积。
数据整篇文章中，图像将从左到右显示在 3 个平面上：矢状面、冠状面、轴向。