Breast_Cancer_Classification 利用逻辑回归和神经网络模型基于数字化活检图像将乳腺癌肿瘤分类为恶性或良性

简要介绍了光声成像技术的基本原理，采集系统和成像算法。重点阐述了光声成像技术在肿瘤的早期检测和疗效监测，脑成像和脑功能监测以及临床血管监测等生物医学领域的应用。对光声成像技术应用前景进行了展望。

结论：通过比较，逻辑斯蒂模型比随机梯度下降模型在测试集上表现有更高的准确性，因为逻辑斯蒂采用解析的方式精确计算模型参数，而随机梯度下降采用估计值 　　特点分析：逻辑斯蒂对参数的计算采用精确解析的方法，计算时间长但是模型性能高，随机梯度下降采用随机梯度上升算法估计模型参数，计算时间短但产出的模型性能略低，一般而言，对于训练数据规模在10万量级以上的数据，考虑到时间的耗用，推荐使用随机梯度算法

master(2)_深度学习_UNet_unet分割_脑肿瘤分割_深度学习Unet_源码.zip

新型抗肿瘤药物临床应用指导原则(2018年版).pdf

软骨起源的骨肿瘤及肿瘤样.ppt

乳腺 MRI 图像中的肿瘤分割。 我在这个项目中使用了 RIDER 数据库。 用于图像分割的三种基于聚类的算法： 1- 模糊 c 均值 (FCM) 2-k-均值3-通过布谷鸟搜索优化（CSO）算法优化k-means

乳腺癌是全球女性死亡率最高的恶性肿瘤之一,早期发现有助于提升患者的存活率。本文利用深度学习中的目标检测网络对乳腺X线图像中的肿瘤病变区域进行定位和分类;然后选取Mask R-CNN网络作为目标检测模型,对Mask R-CNN的基准网络D-ShuffleNet进行改进,提出了一种新的网络——Mask R-CNN-II网络,并在Mask R-CNN-II网络中应用迁移学习算法。通过实验验证了Mask R-CNN-II网络比Mask R-CNN网络的检测精度更高,而且验证了所提基准网络、所使用的融合图像的思想以及迁移学习算法是有效的。Mask R-CNN-II有利于提高乳腺肿瘤的定位与分类,可为放射科医生提供辅助诊断意见,具有一定的临床应用价值。

肿瘤数据集 matlab，

KiTS19 官方的存储库。 注意：此挑战的2021年迭代正在进行中！ （未完成） 用法 要获取此挑战的数据，请克隆该存储库（约500MB），然后运行get_imaging.py 。 例如 git clone https://github.com/neheller/kits19 cd kits19 pip3 install -r requirements.txt python3 -m starter_code.get_imaging 这将从单独的源下载更大，更大的静态图像文件。 然后， data/目录的结构应如下所示 data ├── case_00000 | ├── imaging.nii.gz | └── segmentation.nii.gz ├── case_00001 | ├── imaging.nii.gz | └── segmentation.nii.g