
期刊简介
《法医学杂志》(CN 31-1472/R,ISSN 1004-5619)创刊于1985年7月,由中华人民共和国司法部主管、司法部司法鉴定科学技术研究所主办,是我国第一本向国内外公开发行的国家级法医学专业学术刊物。本刊创刊时为每期48页季刊,1996年改为每期64页,2005年改为每期80页,2006年变更为每期80页双月刊。2009年起正文纸张由80克双胶纸改为80克UPM雅光纸,采用了图文混排方式。
《法医学杂志》的办刊宗旨为:提供法医学及其相关学科的新理论、新技术、新方法等信息,为维护司法公正、贯彻依法治国的方略服务,促进国内外同行的学术交流和本学科的发展。
《法医学杂志》刊登的主要内容包括:法医病理学、法医临床学、法医物证学、司法精神病学、法医毒理学、法医昆虫学和毒(药)物分析、医疗纠纷、医疗事故的法医学鉴定以及交通事故鉴定等现代司法鉴定科学方面的最新成果和动态。既刊登大量国家自然科学基金等大型项目资助的创新性科研成果,也刊登许多对实际鉴定工作大有帮助的实用性技术和经验交流类文章,全面地为法医工作者提供科研、教学、检案等方面的新动向、新进展、新技术、新经验。
开设的栏目有:研究论著、技术与应用、案例分析、经验交流、医疗纠纷、疑难案例报道、综述、专题讲座和教育培训等。
主要作者和读者群为:公安、检察、法院、司法行政系统等部门的法医工作者,各类司法鉴定机构中的法医学鉴定人,高校法医院系、法律系的师生,卫生医疗单位的医务人员和法律工作者。
本刊编辑部多年来奉行高水平、高质量、高品位的办刊方针,在办刊中严格执行有关国家标准和规范以及审校制度,编辑人员对稿件的处理精益求精。录用文章学术水平高,实用性强,栏目内容丰富,版面设计合理,图表制作精确,印刷装帧精良,深受法医学界专业人员、高校师生及司法鉴定领域中相关人员的欢迎和认可。为促进法医学学科发展、提高本学科的科研和检案水平以及法医学人才培养作出了重要贡献。
本刊自1997年被美国生物医学文献资料数据库MEDLINE收录,是中国第一也是目前唯一一本进入该数据库的法医学类期刊。自1999年起陆续被《万方数据》、《中国学术期刊(光盘版)》、《中国学术期刊综合评价数据库》统计源期刊、《中国期刊全文数据库》、《中国核心期刊(遴选)数据库》等全文收录;被全国医学综合性检索工具《中文科技资料目录-医药卫生》列为核心期刊收录;获首届《CAJ-CD规范》执行优秀期刊奖。2008年起本刊被确定为荷兰医学文摘(EMBASE)数据库收录期刊和中国《全国报刊索引》核心期刊。2009年被“中国科技论文统计源期刊”(中国科技核心期刊)收录。2011年被中国科学引文数据库(CSCD)收录。2012年被Elsevier公司二次文献数据库(Scopus)收录。2013年 超星数字期刊。2015年 第四届《中国学术期刊评价研究报告(武大版)(2015-2016)》中,被评为“RCCSE中国核心学术期刊(A)”。2016年4月《法医学杂志》被中国社会科学院中国社会科学评价中心《中国人文社会科学期刊评价报告(AMI)》的引文数据库收录为来源刊;10月,获准加入WHO西太平洋区医学索引(The Western Pacific Region Index Medicus, WPRIM)。
根据期刊引证报告最新统计,《法医学杂志》影响因子逐年上升,目前在法医学类期刊中,其影响因子名列榜首。
常用的医学图像处理算法
时间:2024-02-27 11:24:18
常用的医学图像处理算法有很多种,下面列举一些主要的算法:
图像预处理算法:包括滤波、平滑、增强等操作,用于改善图像质量,减少噪声,增强感兴趣区域等。例如,中值滤波、高斯滤波等可以用于去除图像中的噪声;直方图均衡化可以用于增强图像的对比度。
图像分割算法:用于将图像中的不同区域或目标分离开来。常见的分割算法有阈值分割、边缘检测、区域生长、分水岭算法等。这些算法可以根据像素灰度值、颜色、纹理等特征将图像划分为不同的区域。
特征提取算法:用于从图像中提取出有意义的特征,以便于后续的分类、识别或量化分析。常见的特征包括形状特征、纹理特征、颜色特征等。这些特征可以通过不同的算法进行提取,如SIFT、SURF、HOG等。
图像配准算法:用于将两幅或多幅医学图像进行对齐,以便于比较和分析。图像配准通常涉及到图像变换(如平移、旋转、缩放等)和相似性度量(如互信息、均方误差等)。
图像融合算法:用于将多源或多时相的医学图像融合在一起,以提供更全面的信息。图像融合可以通过像素级融合、特征级融合或决策级融合等方法实现。
三维重建算法:用于从二维医学图像序列中重建出三维结构。常见的三维重建算法有体绘制和面绘制两种。体绘制通过计算光线穿过体数据的累积颜色来生成三维图像;而面绘制则通过提取体数据的等值面或轮廓线来生成三维表面模型。
深度学习算法:近年来,深度学习在医学图像处理领域取得了显著的进展。通过训练深度神经网络模型(如卷积神经网络CNN),可以自动学习从医学图像中提取特征和进行分类或分割等任务。深度学习算法在医学图像识别、病变检测、病灶定位等方面具有广泛的应用前景。
以上列举的算法只是医学图像处理领域中的一部分,实际上还有很多其他的算法和技术可以根据具体的应用需求进行选择和使用。