Medical Imaging Toolbox

Visualiser, recaler, segmenter et labelliser des images médicales 2D et 3D

Medical Imaging Toolbox™ propose des applications, des fonctions et des workflows pour concevoir et tester des applications d'imagerie diagnostique. Vous pouvez effectuer un rendu et une visualisation 3D, un recalage multimodal, ainsi qu'une segmentation et une labellisation des images de radiologie. La toolbox vous permet également d'entraîner des réseaux de Deep Learning prédéfinis (avec Deep Learning Toolbox™).

Vous pouvez importer, prétraiter et analyser des images radiologiques provenant de diverses modalités d'imagerie, notamment l'imagerie radiologique projetée, la tomographie assistée par ordinateur (CT), l'imagerie par résonance magnétique (IRM), l'échographie (US) et la médecine nucléaire (PET, SPECT). L'application Medical Image Labeler vous permet de semi-automatiser la labellisation 2D et 3D pour une utilisation dans des workflows d'IA. Vous pouvez effectuer un recalage multimodal d'images médicales, notamment d'images 2D, de surfaces 3D et de volumes 3D. La toolbox offre un environnement intégré pour le diagnostic assisté par ordinateur et l'analyse d'images médicales de bout en bout.

Introduction à Medical Imaging Toolbox

Première image d'une série échocardiographique.

Importer des données d'imagerie médicale

Lisez des images et des métadonnées à partir de formats de fichiers médicaux spécialisés, tels que DICOM, NIfTI et NRRD, qui stockent des données décrivant le patient, la procédure d'imagerie et le référencement spatial.

Documentation | Exemples

Visualiser des images 2D et des volumes 3D

Utilisez des outils interactifs pour visualiser des données d'imagerie médicale 2D et 3D. Générez et obtenez des rendus de surfaces et de volumes 3D.

Documentation | Exemples

Labellisation de données de vérité-terrain

Utilisez l'application Medical Image Labeler pour labelliser de manière interactive des données de vérité-terrain, semi-automatiser ou automatiser le processus de labellisation et exporter les données labellisées pour des workflows d'IA.

Documentation | Exemples

Tomodensitogramme original à faible dose d'un thorax humain à côté d'une version débruitée de la même image.

Prétraitement et augmentation

Améliorez la qualité des images en utilisant des techniques de prétraitement et l'efficacité des réseaux de Deep Learning en utilisant l'augmentation aléatoire de l'intensité pour étendre le jeu de données d'apprentissage.

Documentation | Exemples

Images avant et après le recalage d'une IRM multimodale et d'un tomodensitogramme.

Recalage d'images médicales

Comparez des images médicales multimodales, des volumes ou des surfaces en utilisant le recalage d'images pour les aligner sur un système de coordonnées commun.

Documentation | Exemples

Segmentation

Segmentez des images 2D ou des volumes 3D en régions (correspondant par exemple à des os, tumeurs ou organes) avec des techniques traditionnelles ou du Deep Learning, et évaluez la précision de ces régions.

Documentation | Exemples

Ressources liées au produit :

Documentation Exemples Vidéos Configuration requise Notes de version

Diagnostic de nodules thyroïdiens à partir d'images d'échographie médicale avec le Deep Learning

« Diagnostic de nodules thyroïdiens à partir d'images d'échographie médicale avec le Deep Learning »
Par Eunjung Lee, School of Mathematics and Computing (CSE), Yonsei University