肿瘤姑息治疗中成药使用专家共识（2013版）.pdf

LITS2017肝脏肿瘤分割挑战数据集，里面是百度网盘永久下载链接，深度学习使用，数据太大无法上传。。

乳腺肿瘤诊断数据集

20210617-光大证券-艾德生物-300685-投资价值分析报告：肿瘤伴随诊断龙头，创新与商业完美平衡.pdf

肿瘤细胞的捕获研究对癌症的诊断和治疗具有重要意义。针对当前人工对捕获后的肿瘤细胞计数耗时长且易受人的主观影响等问题，利用Matlab设计了一种对被捕获的肿瘤细胞进行自动识别与计数的系统。通过对细胞图像进行灰度变换、阈值分割、形态学处理、分水岭分割等处理，提取出细胞区域并计数。通过计算细胞圆形度，将满足圆形度阈值的细胞标记并计数。实验结果表明，被捕获的肿瘤细胞圆形度阈值为0.87，系统自动识别错误率在6.3%左右，具有可行性，能够满足实际需求。

脑肿瘤切片分类数据集-提供tensorflow代码和教程，结合作者录制的b站视频，快速掌握不是梦。数据集详细信息请看https://blog.csdn.net/ECHOSON/article/details/117964438

机器学习-肿瘤识别 在乳腺癌数据集上探索了机器学习技术，以建立算法来预测肿瘤是恶性还是良性。 比较了诸如Logistic回归，k最近邻和决策树等有监督学习算法的性能。 还研究了使用PCA和Pearson相关矩阵进行特征工程的效果以及使用欠采样和过采样进行数据工程的效果。

matlab图像分割肿瘤代码BMED6780 医学图像处理 该项目的目标是学习和实施完整的转化式生物医学图像处理流程，以提供临床决策支持。 具体而言，将图像处理和数据挖掘技术应用于癌症组织病理学图像，并为癌症的诊断和预后发展提供客观且可重复的决策支持。 作者 Mosadoluwa Obatusin 阿什坎·奥贾吉（Ashkan Ojaghi） 尼桑（Nishanth Raopalimarraghupathi） 该课程学期项目分为两个模块： 1.1）核结构的自动分割1.2）图像特征提取和探索2.0）图像分类 尽管该项目正在进行中，但可以在以下位置找到初步报告： 数据集1： 将提供100份苏木精和曙红（H＆E）染色的肾透明细胞癌组织切片的数字显微图像，该切片由100个肿瘤，100个坏死和100个基质切片组成，H＆E染色可增强蓝紫色，白色和粉红色三种颜色。 这些颜色对应于特定的细胞结构。 坏死基质| 瘤 数据集2： 第二个数据集由100个肾脏透明细胞癌患者全幅幻灯片（WSI）的512×512像素矩形部分组成。 每位患者被标记为[患者名]瓷砖[行号] _ [列号] .PNG 16个相邻的部分来

通过深度强化学习优化放射治疗的时间表 model文件夹包含模拟的Python实现的代码。 model_cpp文件夹包含模拟的C ++实现的代码。 nnets文件夹包含使用不同算法和奖励功能训练的神经网络，如手稿中所述。 training_logs文件夹包含zip归档中的手稿中描述的四个代理的培训日志文件。 eval文件夹包含不同代理的性能评估。 tmp文件夹包含在评估代理程序期间创建的映像。 misc文件夹包含无法在上述文件夹中分类的文件。 main.py用于训练代理。 use_network.py使用手稿中描述的性能指标评估神经网络。

肿瘤细胞的捕获研究对癌症的诊断和治疗具有重要意义。针对当前人工对捕获后的肿瘤细胞计数耗时长且易受人的主观影响等问题,利用Matlab设计了一种对被捕获的肿瘤细胞进行自动识别与计数的系统。通过对细胞图像进行灰度变换、阈值分割、形态学处理、分水岭分割等处理,提取出细胞区域并计数。通过计算细胞圆形度,将满足圆形度阈值的细胞标记并计数。实验结果表明,被捕获的肿瘤细胞圆形度阈值为0.87,系统自动识别错误率在6.3%左右,具有可行性,能够满足实际需求。