Die Medical Imaging Toolbox™ umfasst Apps, Funktionen und Workflows zum Entwickeln und Testen diagnostischer Bildgebungsanwendungen. Neben dem 3D-Rendering und der Visualisierung können Sie auch die multimodale Registrierung sowie die Segmentierung und Kennzeichnung von radiologischen Bilder durchführen. Darüber hinaus dient die Toolbox auch dem Training vordefinierter Deep-Learning-Netzwerke (mit der Deep Learning Toolbox™).
Sie können radiologische Bilder von verschiedenen Bildgebungsmodalitäten importieren, vorverarbeiten und analysieren, so zum Beispiel projizierte Röntgenbilder sowie Aufnahmen der Computertomographie (CT), der Magnetresonanztomographie (MRT), aus dem Bereich des Ultraschalls (US) und der Nuklearmedizin (PET, SPECT). Über die Medical Image Labeler-App lassen sich nicht nur 2D-, sondern auch 3D-Kennzeichnungen für den Einsatz in KI-Workflows teilautomatisieren. Die Registrierung medizinischer Bilder kann dazu multimodal erfolgen und umfasst 2D-Bilder, 3D-Oberflächen und 3D-Volumen. Die Toolbox bietet eine integrierte Umgebung für die durchgängig computergestützte Diagnose und medizinische Bildanalyse.
Import von medizinischen Bildgebungsdaten
Die Bild- und Metadaten werden aus speziellen medizinischen Dateiformaten wie DICOM, NIfTI und NRRD gelesen. In diesen Formaten werden Daten gespeichert, die den Patienten, das bildgebende Verfahren und die räumliche Referenzierung beschreiben.
Visualisierung von 2D-Bildern und 3D-Volumina
Nutzen Sie interaktive Tools zur Visualisierung von medizinischen 2D- und 3D-Bilddaten. Generieren und rendern Sie 3D-Flächen und Volumen.
Ground-Truth-Annotation
Verwenden Sie die Medical Image Labeler-App, um Ground-Truth-Daten interaktiv zu kennzeichnen, den Kennzeichnungsprozess zu teilautomatisieren oder gar vollständig zu automatisieren und die gekennzeichneten Daten für KI-Workflows zu exportieren.
Vorverarbeitung und Optimierung
Mithilfe von Vorverarbeitungsmethoden wird die Bildqualität verbessert und die Effektivität von Deep-Learning-Netzwerken durch eine randomisierte Intensitätserweiterung verbessert, um den Trainingsdatensatz zu erweitern.
Registrierung von medizinischen Bildern
Vergleichen Sie multimodale medizinische Bilder, Volumen oder Oberflächen mithilfe der Bildregistrierung, um sie an einem gemeinsamen Koordinatensystem auszurichten.
Segmentierung
Segmentieren Sie 2D-Bilder oder 3D-Volumina in bestimmte Regionen, wie z. B. Knochen, Tumore oder Organe, mithilfe von klassischen oder Deep-Learning-Techniken und evaluieren Sie die Genauigkeit der Regionen.
Produktressourcen:
„Diagnose von Schilddrüsenknoten anhand medizinischer Ultraschallbilder mit Deep Learning“
Von Eunjung Lee, School of Mathematics and Computing (CSE), Yonsei University
Kostenlose Testversion anfordern
30 Tage kostenlos ausprobieren.
Bereit zum Kauf?
Angebot anfordern und Erweiterungsprodukte entdecken.
Studieren Sie?
Ihre Hochschule bietet möglicherweise bereits Zugang zu MATLAB, Simulink und Add-on-Produkten über eine Campus-Wide License.