RSNA-Pneumonia-Detection-Challenge:目的是预测与肺炎相关的肺部混浊以及胸部X线照片中的边界框。 目的是检测是否对患有肺炎的肺进行分类，并丢弃其他种类的不透明物，例如由液体，细菌，肺癌等引起的不透明物。可以应用各种算法，但是我们继续使用YOLO事实证明这是最好的。 我们从https那里获得了大部分帮助
2022-04-27 14:52:38
1.59MB
1
随机森林图像matlab代码使用CNN的肺癌亚型分类
入门
演示版
random_forest.ipynb
包含什么
癌症亚型分类管道的Python源代码
MATLAB源代码，用于从3D原始图像生成2D联合直方图
二维关节直方图（.csv）的肺癌数据集
可视化每一步的检测管线
在自己的数据集上进行训练的示例
依存关系
Python
3.4
TensorFlow
1.3
凯拉斯2.0.8
用法
结果
接触
查看我的学士论文：基于多模态CT的2D联合直方图的肺癌亚型深度学习分类器，以获取有关此工作的更多详细信息。
2022-04-22 10:11:41
2.3MB
1
使用Python检测肺癌
数据集
癌症影像档案库（TCIA）
代码文件
代码以模块化方式编写
PredictCancer.py：用于测试图像的最终程序
NeuralNetwork.py：使用SKlearn的MLP学习功能并使用pickle保存权重
LungCancerTrain.py：所有用于模型训练的图像处理技术和代码均在此处编写
Dataset_create.py：用于创建正例和负例的文件夹并以所需格式命名图像
两种类别的测试用例图像，并连同其终端输出一起添加到存储库中，以供参考
依存关系
Python3，OpenCV-cv2，泡菜，数据文件库
输出
正面案例
否定情况
这项工作是与我的朋友Tarun Bhargav Sriram合作完成的，该项目是数字图像处理选修课的一个项目。 有关项目的任何疑问，请联系
2022-04-03 21:07:30
5KB
1
肺癌是一种严重威胁患者生命的恶性肿瘤。通过对肺癌病人进行生存预测分析并制定针对性治疗方案，对提高病人生存率具有重要意义。提出一种基于病理学图像的肺癌患者生存预测分析方法。首先采用深度学习方法对病理学图片进行肺癌细胞自动检测，并对检测出的肺癌细胞进行特征提取。在特征选取中，引入了反映肺癌细胞间关系和分布特性的拓扑特征的提取方法，将提取的拓扑特征作为生存分析的预测因素。最后采用Cox-Lasso方法对肺癌患者进行生存预测分析。实验结果表明，该方法能够提高细胞检测的效率和准确性，并具有较高的肺癌患者生存预测分析能力。
2022-02-11 16:22:09
980KB
1
DeepPATH框架收集了用于研究深度学习架构（来自Google的Inception v3）对肺癌图像进行分类的代码。
有关更多详细信息和参考，请检查：
Nicolas Coudray，Paolo Santiago Ocampo，Theodore Sakellaropoulos，Navneet Narula，Matija Snuderl，DavidFenyö，Andre L.Moreira，Narges Razavian，Aristotelis Tsirigos。 使用深度学习从非小细胞肺癌组织病理学图像中进行分类和突变预测。 自然医学，2018; DOI：10.1038 / s41591-018-0177-5
2021-12-30 15:00:31
11.03MB
1