Medical Imaging Toolbox

 

Medical Imaging Toolbox

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

Vous avez des questions ? Contactez l'équipe commerciale.

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 tomodensitométrie (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

Fonctionnalités, documentation et exemples

L'imagerie médicale est un domaine de la médecine qui comprend diverses techniques d'imagerie, de visualisation et d'analyse de l'intérieur du corps des êtres humains et des animaux. Les médecins peuvent ainsi visualiser les organes, les os, les cellules et divers processus physiologiques, puis diagnostiquer, surveiller et traiter les affections médicales. Les images sont générées en ayant recours à diverses modalités radiologiques telles que les rayons X, les ultrasons, la CT, l'IRM et l'imagerie nucléaire, ainsi qu’à l’aide de microscopes pour la pathologie.

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

Tomodensitogramme d'un thorax humain.

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

Labelliser des 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 à l’aide des techniques de prétraitement, et l'efficacité des réseaux de Deep Learning en utilisant l'augmentation pour étendre le jeu de données d'apprentissage.

Documentation | Exemples

Vues avant et après recalage déformable de deux images de tomodensitométrie prises lors des pics d'inspiration et d'expiration au cours d'un cycle respiratoire.

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

Caractéristiques sélectionnées pour classifier des tumeurs malignes

Analyse

Analysez des données d'imagerie médicale en utilisant des techniques telles que la radiomique et les descripteurs de caractéristiques de haut niveau.

Documentation | Exemples

Noyaux cellulaires de tissus colorés à l'hématoxyline et à l'éosine (H&E) détectés grâce à Cellpose

Interface pour la bibliothèque Cellpose

Segmentez des cellules à partir d'images de microscopie en utilisant le support package Medical Imaging Toolbox Interface for Cellpose Library.

Documentation | Exemples

Interface pour la bibliothèque MONAI Label

Segmentez et labellisez des organes et des os dans des images médicales en utilisant le support package Medical Imaging Toolbox Interface for MONAI Label Library.

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

Demander une version d’essai gratuite

Profitez de 30 jours pour tester.

En savoir plus

Prêt à acheter ?

Découvrez les tarifs et les produits.

Voir les tarifs Contacter l’équipe commerciale

Vous êtes étudiant ?

Votre établissement propose peut-être déjà un accès à MATLAB, Simulink et d'autres produits complémentaires via la licence Campus-Wide.

Obtenir MATLAB