En el dinámico departamento de radiología del Centro Médico de Stanford, la Dra. Emily Chen se enfrentó a un desafío abrumador. Necesitaba convertir miles de archivos de imágenes médicas en datos listos para el aprendizaje automático. El mundo del preprocesamiento de imágenes médicas en Python estaba a punto de cambiar su enfoque de investigación para siempre.
La IA aplicada a las imágenes médicas ha transformado el diagnóstico sanitario, abriendo nuevas perspectivas para los investigadores. Ahora pueden obtener información valiosa a partir de datos médicos complejos. El proceso, desde los archivos DICOM sin procesar hasta los modelos de aprendizaje automático, requiere un preprocesamiento avanzado. Esto permite conectar los datos de imágenes médicas con el análisis avanzado¹.
El Archivo de Imágenes Oncológicas (TCIA) es una enorme colección de datos de imágenes médicas. Contiene más de 140 conjuntos de datos con más de 60,000 1 pacientes¹ . Estos conjuntos de datos ofrecen un gran potencial, pero también grandes desafíos para los investigadores que utilizan el aprendizaje profundo.
Python se ha convertido en una herramienta clave para el preprocesamiento de imágenes médicas. Ofrece a los investigadores formas flexibles y eficientes de preparar datos de imágenes sin procesar para su análisis. Las técnicas avanzadas pueden reducir el tiempo de procesamiento hasta en un 69 % en comparación con los métodos manuales 1.
Puntos Clave
- El preprocesamiento de imágenes médicas es crucial para aplicaciones efectivas de aprendizaje automático
- Python proporciona herramientas robustas para manejar conjuntos de datos de imágenes médicas complejos
- Un preprocesamiento eficiente puede reducir significativamente el tiempo de cálculo
- El formato DICOM requiere un manejo especializado para el aprendizaje automático
- Las tuberías automatizadas optimizan los flujos de trabajo de investigación de imágenes médicas
Nuestra guía completa le guiará a través del proceso detallado para convertir imágenes médicas sin procesar en potentes conjuntos de datos compatibles con aprendizaje automático. Utilizaremos las últimas técnicas de preprocesamiento de imágenes médicas en Python.
Introducción al procesamiento de imágenes médicas en Python
El procesamiento de imágenes médicas es donde la visión por computadora se encuentra con la tecnología avanzada. Comienza con cómo la imagen digital cambia el diagnóstico y la investigación médica 2.
El aprendizaje profundo ha transformado la imagenología médica. Permite que el análisis de imágenes médicas sea más preciso y automatizado. El objetivo principal es convertir los datos médicos sin procesar en información que ayude a los médicos a tomar decisiones.
Importancia del preprocesamiento de imágenes
El preprocesamiento de imágenes es clave para un diagnóstico médico preciso. Incluye varios pasos:
- Transformación de imágenes a unidades Hounsfield (HU)2
- Eliminación del ruido de la imagen
- Realizar corrección de inclinación
- Recortar regiones de imagen innecesarias2
- Estandarización de las dimensiones de la imagen mediante relleno2
Descripción general del formato DICOM
DICOM (Digital Imaging and Communications in Medicine) es el estándar para imágenes médicas. Estos archivos, con extensión '.dcm', contienen información médica detallada y datos de imágenes 2.
| Modalidad DICOM | Propósito |
|---|---|
| Tomografías | Generación de imágenes de rayos X en 3D3 |
| Estructura RTStruct | Almacenamiento de datos de contorno |
| RTDose | Mapeo de dosis de radioterapia |
Papel del aprendizaje profundo en imágenes médicas
El aprendizaje profundo en medicina utiliza algoritmos para analizar imágenes con alta precisión. Ayuda en la detección, segmentación y predicción automáticas en varios tipos de imágenes 3.
Utilizando un preprocesamiento avanzado, los investigadores pueden mejorar el rendimiento del modelo y el diagnóstico de la atención médica.
Configurando su entorno Python
Crear un entorno Python robusto es clave para el análisis de imágenes médicas y el aprendizaje profundo en radiología. Los investigadores y científicos de datos necesitan un entorno bien configurado para manejar tareas complejas de manera eficiente 4.
Nuestro conjunto de herramientas para el análisis de imágenes médicas comienza con bibliotecas importantes. Estas bibliotecas facilitan el procesamiento de imágenes y el aprendizaje profundo 5 :
- TensorFlow: marco de aprendizaje profundo
- Keras: API de redes neuronales
- OpenCV: Biblioteca de visión artificial
- Matplotlib: Visualización de datos
- NumPy: Cálculo numérico
Proceso de instalación de la biblioteca
La instalación de estas bibliotecas requiere una atención cuidadosa a la compatibilidad y la gestión de versiones. Sugerimos utilizar los gestores de paquetes pip o conda para una instalación sin problemas 5.
- Crea un entorno virtual
- Instalar bibliotecas mediante el administrador de paquetes
- Verificar la instalación mediante scripts de prueba
- Configurar variables de entorno
Cuadernos Jupyter para experimentación interactiva
Los Jupyter Notebooks son ideales para el análisis de imágenes médicas . Permiten a los investigadores combinar código, visualizaciones y documentación en un mismo lugar⁵ . Estos notebooks son excelentes para realizar pruebas en tiempo real con conjuntos de datos de imágenes médicas, esenciales para el aprendizaje profundo en radiología.
Un preprocesamiento eficaz de imágenes médicas requiere un entorno de desarrollo bien estructurado que garantice la reproducibilidad y la eficiencia.
Al configurar correctamente su entorno Python, estará listo para afrontar desafíos complejos de análisis de imágenes médicas con confianza y precisión 4.
Carga de imágenes DICOM en Python
La investigación en imágenes médicas requiere un procesamiento rápido de archivos DICOM. Comenzamos aprendiendo a cargar y trabajar con estos conjuntos de datos complejos 6 . Los archivos DICOM son clave para las imágenes médicas, que abarcan rayos X, resonancias magnéticas y tomografías computarizadas 6.
Los investigadores utilizan redes neuronales para imágenes médicas . Necesitan herramientas para extraer y procesar datos de imágenes. La biblioteca pydicom es excelente para manejar estos archivos 6. Primero, deberá instalar algunas bibliotecas importantes:
- PyDicom para el análisis de archivos DICOM
- Matplotlib para visualización
- NumPy para procesamiento numérico
- python-gdcm para operaciones DICOM avanzadas
Comprensión de la estructura de archivos DICOM
Los archivos DICOM son más que simples imágenes. Contienen detalles del paciente, información de imágenes y datos de diagnóstico 7. Cada archivo tiene elementos especiales como:
- Identificador del paciente
- Fecha de nacimiento
- Detalles del estudio de imágenes
- Especificaciones de datos de píxeles
Técnicas prácticas de carga de imágenes
Cargar un archivo DICOM es sencillo con Python. Pydicom permite acceder a datos y metadatos rápidamente 6. El Archivo de Imágenes Oncológicas (TCIA) ofrece grandes conjuntos de datos para la práctica mediante herramientas avanzadas.
Visualización de imágenes médicas
La visualización es clave en el diagnóstico de imágenes mediante IA. Herramientas de Python como Matplotlib ayudan a mostrar imágenes DICOM⁸ . Convierten datos sin procesar en representaciones visuales para el análisis mediante aprendizaje automático.
Técnicas básicas de preprocesamiento de imágenes
El preprocesamiento es clave en el aprendizaje profundo para patología . Convierte las imágenes médicas sin procesar en datos listos para el análisis. El objetivo es hacer que las imágenes sean consistentes y más claras, lo que ayuda a los médicos a realizar mejores diagnósticos 9.
Estrategias de reescalado y normalización
El redimensionamiento de imágenes a tamaños estándar es vital en el análisis automatizado de imágenes médicas . Los investigadores suelen cambiar las imágenes a 224×224 o 256×256 píxeles para los algoritmos 10. Normalizar significa ajustar los valores de los píxeles de 0 a 1 dividiendo por 255 10.
Métodos de mejora de imágenes
Hay muchas formas de mejorar la calidad de la imagen y su utilidad para el diagnóstico:
- La ecualización del histograma distribuye las intensidades de los píxeles de manera uniforme10
- La eliminación del fondo se centra en las partes anatómicas clave9
- La detección de bordes, como el detector de bordes Canny, resalta detalles importantes10
Técnicas de reducción de ruido
Los métodos avanzados son cruciales para limpiar imágenes médicas:
- El desenfoque gaussiano reduce el ruido y los detalles10
- El desenfoque medio elimina el ruido de sal y pimienta10
- La eliminación de ruido basada en wavelets aborda los cambios de intensidad aleatorios9
Información estadística para el preprocesamiento
| Tecnologia | Generar impacto | Eficiencia |
|---|---|---|
| Normalización de intensidad | Hace que los conjuntos de datos sean consistentes | Esencial para el análisis9 |
| Aumento de datos | Aumenta el tamaño del conjunto de datos | Puede expandirse hasta 10x10 |
| Remuestreo | Estandariza la resolución de la imagen | Ayuda a comparar conjuntos de datos9 |
Mediante estas técnicas, los investigadores pueden mejorar enormemente la precisión diagnóstica. Preparan imágenes para el aprendizaje profundo en patología 9.
Técnicas avanzadas de preprocesamiento de imágenes
La IA de imágenes médicas necesita un preprocesamiento avanzado para preparar los datos para el análisis. Los métodos de aprendizaje profundo de Python han cambiado la forma en que manejamos los datos médicos 11.
Precisión en el registro de imágenes
El registro de imágenes es clave para alinear imágenes médicas de diferentes fuentes. Utiliza algoritmos avanzados para una alineación precisa. Esto es vital para diagnósticos exactos 11.
- Registro rígido para alineaciones estructurales
- Registro no rígido para transformaciones anatómicas complejas
- Técnicas de comparación de imágenes multimodales
Estrategias de segmentación
La IA de imágenes médicas utiliza una segmentación detallada para encontrar áreas importantes. Python ofrece herramientas para varios métodos de segmentación 12 :
- Segmentación basada en umbrales
- Algoritmos de crecimiento de regiones
- Técnicas de segmentación basadas en aprendizaje profundo
Técnicas de aumento de datos
El aumento de datos es crucial para expandir los conjuntos de datos de entrenamiento. Crea variaciones sintéticas para mejorar el rendimiento del modelo 11.
| Método de aumento | Propósito |
|---|---|
| Rotación | Aumentar la invariancia de la orientación del modelo |
| Flipping | Mejorar la comprensión espacial |
| Inyección de ruido | Mejorar la resiliencia del modelo al ruido |
El uso de estas técnicas avanzadas en Python ayuda a transformar datos médicos complejos en herramientas útiles 12.
Transformación de imágenes para el aprendizaje profundo
El aprendizaje profundo en el ámbito sanitario requiere una preparación precisa de las imágenes. Las imágenes médicas deben transformarse cuidadosamente para el aprendizaje automático 13. Convertimos las imágenes sin procesar en tensores estructurados para que las redes neuronales las procesen 14.
Preparación de datos para modelos de aprendizaje automático
La visión por computadora en medicina requiere una preparación de datos avanzada. Sugerimos varias estrategias clave:
- Estandarizar las dimensiones de la imagen
- Normalizar la intensidad de los píxeles
- Eliminar el ruido de fondo
- Asegúrese de que los canales de color sean consistentes
Técnicas avanzadas de división de datos
Un entrenamiento de modelos eficaz requiere una segmentación inteligente de datos. Nuestro enfoque incluye:
- Muestreo estratificado para mantener distribuciones representativas
- Validación cruzada para una evaluación robusta del desempeño
- Divisiones equilibradas de entrenamiento, validación y prueba
Creación de tensores de imagen óptimos
La transformación de imágenes médicas a formatos tensoriales es precisa. Convertimos matrices de píxeles en matrices multidimensionales para marcos de aprendizaje profundo como TensorFlow y PyTorch . La aceleración por GPU hace que este proceso sea más rápido, manejando rápidamente conjuntos de datos de imágenes médicas complejos 13.
Al utilizar estas estrategias, los investigadores pueden aprovechar al máximo el aprendizaje profundo en el ámbito sanitario. Esto crea potentes herramientas de diagnóstico y análisis 14.
Análisis estadístico de imágenes médicas
El análisis de imágenes médicas requiere métodos estadísticos robustos para obtener información útil a partir de datos complejos. El aprendizaje profundo en radiología ha cambiado nuestra comprensión de las imágenes médicas. Utiliza métodos estadísticos avanzados 15.
Los investigadores han elaborado planes detallados para analizar datos de imágenes médicas. Una revisión encontró grandes tendencias en el procesamiento de imágenes médicas 15 :
- Total de artículos de investigación revisados: 40
- Periodo de publicación: 2017-2021
- Grupo inicial de artículos: 3,204
- Artículos finales seleccionados: 40
Pruebas estadísticas recomendadas
Al analizar imágenes médicas, los investigadores eligen las pruebas adecuadas en función de sus preguntas y datos. Los métodos estadísticos avanzados son clave para una interpretación correcta 16.
| Tipo de imagen | Prueba recomendada | Comando de software |
|---|---|---|
| Tomografía computarizada | Coeficiente de dados | scipy.stats.dice_coef() |
| MRI | Función de pérdida de Tversky | keras.pérdidas.tversky() |
| Rayos X | Prueba de chi-cuadrado | scipy.stats.chi2_contingencia() |
Comandos de software para análisis
El análisis de imágenes médicas requiere comandos de software especiales para datos complejos. Los investigadores utilizan bibliotecas de Python como SciPy y Keras para realizar comprobaciones estadísticas detalladas 16. Entre los aspectos importantes a considerar se incluyen:
- Configuración de la memoria de la GPU (4-24 GB)
- Utilizando técnicas de aumento de imágenes
- Cómo elegir los tamaños de lote adecuados
El campo del análisis de imágenes médicas sigue creciendo. El aprendizaje profundo en radiología está ampliando lo que podemos diagnosticar 15.
Desafíos comunes en el preprocesamiento
El preprocesamiento de imágenes médicas es complejo. Requiere métodos robustos para preparar los datos para el análisis. Encontramos grandes obstáculos que afectan la capacidad de la IA para diagnosticar imágenes 17.
- Manejo de datos médicos incompletos o faltantes
- Mitigación del ruido y los artefactos de la imagen
- Estandarización de imágenes con dimensiones variables
- Mantener la integridad de la información de diagnóstico
Gestión de la incompletitud de los datos
Los conjuntos de datos suelen variar mucho. Más del 50 % de los científicos se enfrentan a problemas para hacer que la investigación sea reproducible 17. Se enfrentan a archivos DICOM faltantes y necesitan formas inteligentes de completarlos para la IA 9.
Técnicas de reducción de ruido
Las imágenes médicas presentan artefactos derivados de las exploraciones. Existen métodos especiales para eliminarlos, manteniendo así las imágenes nítidas. La eliminación de artefactos es fundamental para un diagnóstico preciso⁹.
Estandarización dimensional
Lograr que las imágenes tengan el mismo tamaño es difícil. Los modelos de aprendizaje profundo necesitan entradas uniformes. Por lo tanto, se necesitan técnicas avanzadas de remuestreo y alineación 9.
El preprocesamiento no es sólo un paso técnico, sino un puente fundamental entre los datos médicos sin procesar y la información significativa.
La complejidad computacional agrava estos problemas. El preprocesamiento puede tardar segundos para una sola imagen o horas para grandes conjuntos de datos⁹ . Los investigadores deben encontrar un equilibrio entre velocidad y precisión.
Solución de problemas comunes
El uso del aprendizaje profundo en patología requiere un plan inteligente para solucionar los problemas técnicos. Los investigadores se enfrentan a problemas complejos que los ralentizan¹⁸ . Es fundamental conocer estos problemas para que el análisis automatizado de imágenes médicas funcione correctamente.
Resolución de errores de lectura DICOM
La lectura de archivos DICOM puede ser un gran problema en el procesamiento de imágenes médicas. Es importante contar con métodos eficaces para gestionar errores como:
- Formatos de archivos incompatibles
- Inconsistencias en los metadatos
- Encabezados de imágenes corruptos
Para solucionar estos problemas, es fundamental utilizar herramientas detalladas de comprobación de errores; las técnicas avanzadas de resolución de problemas pueden ser de gran ayuda.
Manejo de archivos de imagen dañados
Las imágenes médicas defectuosas pueden perjudicar seriamente el aprendizaje profundo en trabajos de patología. Algunas buenas estrategias incluyen:
- Uso de scripts de validación de archivos estrictos
- Tener planes de recuperación de respaldo
- Creación de herramientas de reparación automática
La calidad de los datos es muy importante. Incluso pequeños problemas con los archivos de imagen pueden arruinar grandes proyectos de investigación 19.
Solución de problemas de compatibilidad con bibliotecas
La compatibilidad de las bibliotecas es un gran desafío en el análisis automatizado de imágenes médicas . Los investigadores deberían:
- Mantenga las mismas versiones de la biblioteca
- Utilizar entornos virtuales
- Actualice las dependencias con frecuencia
Una buena gestión de las interacciones con la biblioteca puede evitar fallos del sistema y mantener los flujos de trabajo funcionando sin problemas 20.
| Tipo de problema | Solución recomendada | Nivel de complejidad |
|---|---|---|
| Errores de lectura DICOM | Comprobación integral de errores | Media |
| Corrupción de archivos de imagen | Scripts de validación automatizada | Alto |
| Compatibilidad de biblioteca | Gestión de versiones | Bajo |
Incorporación de imágenes preprocesadas en modelos de aprendizaje automático
La IA en imágenes médicas ha transformado el diagnóstico de enfermedades. Convierte imágenes sin procesar en información útil para los médicos. Las herramientas de aprendizaje profundo de Python hacen esto posible al procesar datos complejos.
Preparar las imágenes médicas para su análisis es fundamental. Puede mejorar el funcionamiento de la visión artificial hasta en un 30 %. Pasos como la eliminación de ruido y el ajuste del brillo son importantes 21.
Estrategias de entrenamiento de modelos de TensorFlow
El entrenamiento de modelos con TensorFlow requiere una planificación cuidadosa. Estos son algunos pasos importantes:
- Estandarizar los valores de los píxeles de la imagen21
- Asegúrese de que todas las imágenes tengan el mismo tamaño (por ejemplo, 224×224 píxeles)21
- Utilice la ampliación de datos
- Elija las funciones de pérdida adecuadas
Implementación de la red neuronal Keras
Keras facilita la creación de redes neuronales para imágenes médicas . El aprendizaje profundo puede detectar problemas de salud con gran precisión, incluso rivalizando con los médicos . Python es la mejor opción para trabajar con imágenes médicas.
Mejores prácticas para la formación
| Aspecto de entrenamiento | Práctica recomendada |
|---|---|
| Tamaño del conjunto de datos | Al menos 128,000 imágenes para un buen entrenamiento22 |
| Duración del entrenamiento | 2-3 meses con esfuerzo constante21 |
| Procesamiento de imágenes | Utilice bibliotecas de aumento avanzadas |
Una buena preparación de imágenes convierte los datos brutos en herramientas útiles para los médicos . Con una preparación cuidadosa, los investigadores pueden crear modelos que mejoran considerablemente las imágenes médicas.
Conclusión y direcciones futuras en imágenes médicas
El mundo de la imagen médica está cambiando rápidamente gracias al aprendizaje profundo. Hemos visto grandes avances en el uso de la visión artificial para tareas médicas. Los investigadores están creando nuevas formas de analizar imágenes médicas mejor que nunca 23.
Los estudios muestran resultados sorprendentes en la detección de enfermedades como la COVID-19 y el cáncer. También ayudan en la obtención de imágenes cerebrales 23.
La inteligencia artificial está llamada a cambiar la forma en que diagnosticamos enfermedades. Los modelos de aprendizaje profundo están mejorando, con tasas de precisión del 85 % al 98.3 % en imágenes médicas 24 . Esto podría conducir a tratamientos que funcionen hasta un 20 % mejor 24.
A medida que avanzamos, debemos trabajar para mejorar las imágenes, considerar la ética y perfeccionar el aprendizaje automático. Med-ImageTools representa un gran avance para simplificar el procesamiento de imágenes médicas. El futuro de la imagen médica reside en combinar tecnología avanzada con las habilidades de los médicos.
Preguntas Frecuentes
¿Cuál es la importancia del preprocesamiento de imágenes médicas para el aprendizaje profundo?
El preprocesamiento es clave en la imagenología médica. Garantiza que los datos sean correctos, consistentes y estén listos para su uso. Al convertir archivos DICOM sin procesar en conjuntos de datos limpios y estructurados, mejoramos la precisión de los modelos de IA en el sector salud. Elimina el ruido, estandariza las imágenes y las prepara para el análisis.
¿Cuáles son los desafíos clave en el preprocesamiento de imágenes médicas?
Los principales obstáculos son el manejo de numerosos formatos DICOM, la gestión de grandes conjuntos de datos y la resolución de problemas de imagen. También nos enfrentamos a problemas con la calidad de la imagen y la privacidad de los datos. Es fundamental crear métodos de preprocesamiento robustos que gestionen eficazmente estos problemas.
¿Qué bibliotecas de Python son esenciales para el preprocesamiento de imágenes médicas?
Las bibliotecas importantes son PyDicom para archivos DICOM, SimpleITK para procesamiento avanzado y OpenCV para el trabajo con imágenes. Matplotlib ayuda con los elementos visuales, NumPy para números, TensorFlow y PyTorch para IA, y SciPy para estadísticas. Estas herramientas son vitales para un flujo de trabajo de preprocesamiento completo.
¿Cómo afectan las técnicas de preprocesamiento al rendimiento del modelo de aprendizaje profundo?
El preprocesamiento mejora la precisión del modelo al optimizar los datos. La normalización, la reducción del ruido y la mejora del contraste mejoran los datos de entrenamiento. Un buen preprocesamiento reduce el sobreajuste, facilita la extracción de características y optimiza el rendimiento del modelo.
¿Cuáles son las técnicas de preprocesamiento de imágenes más comunes en imágenes médicas?
Los métodos comunes incluyen la normalización de intensidad, la ecualización de histograma y la reducción de ruido. También se utilizan el registro de imágenes, la segmentación, el ajuste de contraste y el aumento de datos. Estas técnicas estandarizan las imágenes, eliminan artefactos y alinean diferentes tipos de imágenes.
¿Cómo se manejan las diferentes modalidades de imágenes durante el preprocesamiento?
Para diferentes tipos de imágenes, como TC, RM y rayos X, utilizamos un preprocesamiento específico. Esto incluye la normalización y el filtrado adaptativo específicos de cada modalidad. También consideramos la intensidad de los píxeles y las características espaciales de cada técnica de imagen.
¿Cuáles son las consideraciones éticas en el preprocesamiento de imágenes médicas?
Las cuestiones éticas incluyen la protección de la privacidad del paciente y la anonimización de los datos. Necesitamos el consentimiento para el uso de datos y debemos evitar sesgos en los modelos de IA. Es importante ser transparentes sobre los métodos de preprocesamiento y cumplir con estrictas normas de protección de datos.
¿Cómo pueden los investigadores garantizar la reproducibilidad en el preprocesamiento de imágenes médicas?
Para garantizar la reproducibilidad, utilizamos pipelines con control de versiones y documentamos todos los pasos. Las bibliotecas estandarizadas y la división consistente de datos son clave. Los Jupyter Notebooks y la documentación detallada contribuyen a que los flujos de trabajo sean transparentes y reproducibles.
¿Cuáles son las tendencias emergentes en el preprocesamiento de imágenes médicas?
Las nuevas tendencias incluyen la automatización de canales y el aprendizaje federado para la privacidad. También observamos un mayor uso de datos multimodales y computación en el borde para el procesamiento en tiempo real. Se están desarrollando técnicas avanzadas de IA para abordar diversos desafíos de la imagenología médica.
¿Cómo manejar datos de imágenes médicas faltantes o corruptos?
Gestionamos datos erróneos mediante la comprobación de errores y la imputación de valores faltantes. Contamos con alternativas para archivos dañados y validamos los datos exhaustivamente. Técnicas como la interpolación y la recuperación de datos ayudan a mantener la integridad de los datos.
Enlaces de origen
- https://pmc.ncbi.nlm.nih.gov/articles/PMC11847151/
- https://towardsdatascience.com/medical-image-pre-processing-with-python-d07694852606/
- https://theaisummer.com/medical-image-python/
- https://blog.bytescrum.com/how-to-build-a-python-tool-for-diagnosing-diseases-with-medical-imaging-and-deep-learning
- https://neptune.ai/blog/image-processing-python
- https://medium.com/@protobioengineering/how-to-open-dicom-images-in-python-17c402a9e052
- https://www.peco602.com/post/0090-python-dicom/
- https://glassboxmedicine.com/2021/02/16/downloading-and-preprocessing-medical-images-in-bulk-dicom-to-numpy-with-python/
- https://about.cmrad.com/articles/the-ultimate-guide-to-preprocessing-medical-images-techniques-tools-and-best-practices-for-enhanced-diagnosis
- https://medium.com/@maahip1304/the-complete-guide-to-image-preprocessing-techniques-in-python-dca30804550c
- https://carpentries-incubator.github.io/medical-image-processing/
- https://www.geeksforgeeks.org/image-processing-in-python/
- https://pmc.ncbi.nlm.nih.gov/articles/PMC7327346/
- https://www.frontiersin.org/journals/public-health/articles/10.3389/fpubh.2023.1273253/full
- https://pmc.ncbi.nlm.nih.gov/articles/PMC9501859/
- https://bmcmedimaging.biomedcentral.com/articles/10.1186/s12880-020-00543-7
- https://www.nature.com/articles/s41598-020-69920-0
- https://pmc.ncbi.nlm.nih.gov/articles/PMC8759575/
- https://www.projectpro.io/article/deep-learning-for-image-classification-in-python-with-cnn/418
- https://pmc.ncbi.nlm.nih.gov/articles/PMC9243292/
- https://keylabs.ai/blog/best-practices-for-image-preprocessing-in-image-classification/
- https://pmc.ncbi.nlm.nih.gov/articles/PMC10662291/
- https://link.springer.com/article/10.1007/s11042-021-10707-4
- https://www.pfmjournal.org/m/journal/view.php?number=32