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

孤立性肺结节CT成像技术的研究参考.pdf

在肺结节诊断方法研究中,传统机器学习诊断方法存在诊断性能不稳定的问题.为了提高孤立性肺结节的识别准确率,提出基于粒子群优化(particle swarm optimization,PSO)参数的极限学习机(extreme learning machine,ELM)辅助诊断方法.首先采用PSO选取ELM最佳的初始权重ω和偏置b;然后利用最佳参数ω和b对ELM进行训练;再利用PSO-ELM对通过稀疏自编码得到的肺结节特征进行分类识别.实验中,将传统机器学习算法与本文方法进行对比,结果表明,利用粒子群优化算法进行优化的极限学习机在孤立性肺结节诊断方面具有较高识别准确率和稳定的分类性能,可以作为一种有效的肺结节诊断工具.

基于卷积神经网络（CNN）的肺结节自动检测的深度学习模型

image_augmentation lung-nodule-detection : cube image augmentation. 在现实条件下，medical image的数据量一般都不足，此时利用数据增广来扩充数据集就显得尤为重要。 背景 我们将每个病人的CT scan（3D）切成一个个cube。 已知肺结节的坐标从而可得到每个cube对应的标签（positive or negtive），将已知标签的cube输入网络训练得到模型。 对于需要预测的CT scan，相当于用一个3D窗口（与cube同一个size）在CT scan上一步步滑动，预测每个3D窗口的nodule_chance。我们可以根据步数、步长、滑动窗口(cube)的大小来算出每个滑动窗口的坐标，从而获得结节(nodule_chance > threshold)的坐标。 从上面可知，网络的输入是cube image（

计算机辅助诊断在肺结节中的应用进展.pdf

基于深度学习的肺结节分割与良恶性分类计算机探讨.docx

肺结节检测代码 matlab rrrrrrrrrrrrrrr PNDC-项目 这个旨在检测肺部结节并分类结节是良性还是恶性的项目是由 Jihoon Han 为毕业项目开发的。 这些代码是用 opencv2、Ipython、jupyter、matlab 和其他东西实现的。 所有这些项目代码将在2017年11月毕业项目展示后发布。 工作流程 1. 数据 大约 1400 张 CT 图像用于训练，220 张 CT 图像用于验证集，10 张图像用于测试。 2. 预处理 将在毕业项目介绍后发布 3. 神经网络 详细信息将在毕业项目介绍后发布 4. 后处理 将在毕业项目介绍后发布 5. 结果 详细信息将在毕业项目介绍后发布 平均准确度：99.6~7% 平均损失：6~10% 引文 [1] Noh, Hyeonwoo, et al. arXiv 预印本 arXiv:1505.04366 , 2015。 [2] 隋，袁，等。 hindawi，文章 ID 368674，13 页，2015 年。 [3] 雅各布斯、科林等人。 PubMed, NCBL 25478740 ,2015 [4] 铃木健二。 英Tyk

基于深度学习的肺结节筛检和定性诊断分析.pdf

肺结节CT检查与CAD系统的联合应用.pdf