使用pytorch搭建分类网络，针对Luna16数据集生成的疑似肺结节进行分类，实现假阳性剔除。其样本集保存为.Mat的形式（数据+类别），固定大小为24*40*40。 注意!!!!!原始getMat.py、traindataset.py有误（有bug），因为csdn无法修改资源，详情见https://blog.csdn.net/qq_24739717/article/details/101034728

针对传统肺结节检测准确率低，且存在假阳性高的问题，提出了一种改进Faster R-CNN检测候选结节，以及改进的3D DCNN去除假阳性的算法。考虑到结节的形状大小等因素，在Faster R-CNN上更改锚点数量和尺寸检测结节的鲁棒性，并在特征提取器的最后一层添加一个反卷积层，在网络特征图上根据结节尺寸添加小型滑动网络以使网络自适应生成感兴趣区域，获取候选结节。为了去除假阳性结节，在2D DCNN基础上调整卷积核参数，引入时间维度生成3D DCNN，并利用Adam算法调整网络学习率更改网络权重参数，采用数据增强策略进一步提取结节的全局特征。LIDC-IDRI数据集上的实验结果表明，所提出的算法平均检测准确率达到97.71%，同时降低了误诊率和漏诊率。

基于有监督哈希的肺结节CT图像检索

毛玻璃(GGO)型肺结节目前研究的比较少，但其恶性可能性也比较大。针对GGO型结节的对比度较血管和实体型结节的对比度低，直接使用阈值法不能很好地提取GGO型肺结节，直接使用多尺度圆点滤波器不能提取非球形形状的GGO型肺结节的问题，提出了一种基于形状特征和滤波器增强的阈值法相结合的方法来提取GGO型结节。首先使用形状指数方法提取具有全部或部分球形结构的GGO型结节，然后对剔除了血管、球形结构结节的图像应用滤波增强法来拉伸毛玻璃结节和肺实质的对比度，利用阈值方法提取不具有球形结构的毛玻璃结节。为了提高检测的准确率，对肺结节的特征进行提取与分类，并选择最佳特征组合，放入支持向量机分类器提取更精确的肺结节，并对算法进行评估和对比。实验结果表明，该方法能有效降低GGO型肺结节的漏检率，提高检测的敏感性、特异性，优于现有的两种方法。

图像分割提取特征matlab代码结节X 论文“使用CT扫描预测肺结节恶性程度的高精度模型”的辅助代码。 指示 克隆或下载此存储库后，将（）中的文件提取到data目录中。 这里包含的许多脚本都有几个可用的命令行选项。 使用--help选项运行脚本以查看用法列表。 要求 Python2.7， pip 提供了一个需求文件NoduleX_python_requirements.txt ，其中列出了所需的Python软件包。 您可以使用以下方法安装它们： pip install -r NoduleX_python_requirements.txt 建议设置虚拟环境。 QIF特征提取需要使用Octave（测试版为4.2.0）或MATLAB（对帮助程序脚本进行了一些修改，请参见QIF_extraction / README.md）。 假定为POSIX兼容系统（Linux，Mac OS或Windows下Linux Shell）； 给出的许多脚本都是用Bash shell语法编写的。 针对验证数据运行CNN模型 使用脚本keras_CNN/keras_evaluate.py提供正确的模型keras_CN

使用PyTorch的正式实施 安装预先要求的库 PyTorch 1.0 斯克莱恩 重现结果的步骤 下载预处理的 将数据集提取到文件夹 运行python experiments.py

CT 图像中肺结节的良恶性鉴别是肺癌计算机辅助诊断研究中的关键。针对这一问题，提出了一种基于图像多维信息的肺结节良恶性鉴别方法。该方法基于三维肺结节的二维表示来进行影像学征象建模，并计算模型特征值。然后，提取结节的形状及纹理特征。最后，根据提取的所有特征，利用模糊C 均值分类器对肺结节的良恶性进行鉴别。针对130 组结节数据进行实验，肺结节良恶性鉴别的敏感性及假阳率分别达到87. 58% 及9. 52%。实验结果表明，该文提出的方法能有效地区分肺结节的良恶性，辅助医生进行临床诊断。

LUNA16对象检测 为Luna16数据集上的肺结节检测任务开发一个记录良好的存储库。 这项工作的灵感来自于“ ”。 肺癌是世界上最常见的癌症。 每年死于肺癌的人数多于乳腺癌，结肠直肠癌和前列腺癌的总和。 肺结节检测是检测肺癌的重要过程。 提供健壮模型的工作很多，但是，目前还没有确切的解决方案。 （以下简称DSB）是全球首屈一指的社会公益竞争数据科学，创建于2014年，由Booz Allen Hamilton和Kaggle提出。 数据科学碗汇聚了各行各业的数据科学家，技术专家和领域专家，以应对全球数据和技术挑战。 在DSB2017中，举行了寻找肺结节的比赛。 grt123团队通过实施基于3

PNDC 肺结节的检测与分类 Extra Codes Will be updated soon! 深度学习胸部X线断层扫描图像中孤立性肺结节患者的肺癌诊断算法 \ 细节 抽象的 深度神经网络可检测孤立的结节，并根据胸部CT（计算机断层扫描）图像对结节是否为癌症进行分类。 在该项目中，深度神经网络基于CNN，包括反卷积层和解集层，用于分类和分段。 网络 演示版 原始预测 数据集 肺图像数据库联合会图像收集（LIDC-IDRI）包括诊断性和肺癌筛查性胸部X线断层扫描（CT）扫描，并标明带注释的病变。 它是可通过网络访问的国际资源，用于开发，培训和评估用于肺癌检测和诊断的计算机辅助诊断（CAD）方法。 由美国国立癌症研究所（NCI）发起，并由美国国立卫生研究院（FNIH）基金会进一步推动，并在食品药品监督管理局（FDA）的积极参与下，这种公私合作伙伴关系证明了一项成功的研究成果。建

Radiomics 一个切割肺结节数据的小工具 1.肺结节数据来源为公开数据集 2.功能 上面的数据集包含1000+患者的肺结节数据，以DICOM文件存储，有CT、DX两种模型。此外，在每个序列（CT/DX）中都有一个XML文件. 在CT序列中的XML文件里存放着这个属于这个序列的肺结节定位信息。我们做的就是利用定位信息找到并切出对应肺结节的图像。利用 这个数据集，按保守估计，可以切出一万张以上肺结节数据。 作为该项目的另一部分，在切出图像之后，我们利用TensorFlow作了简单实验，然而效果并不理想，我们作了一些总结，你可以在这基础上开展自己的工作。 3.使用的工具 3.1语言 PYTHON 3.6.1 3.2处理DICOME文件 SimpleITK 3.3处理XML文件 minidom 4.参考 【1】simpleITK官网 【2】simeleITK notebooks 【3】pyt