肺癌数据集和影像组学是当前医学影像领域研究的热点和前沿。LIDC-IDRI项目作为一项国际性的肺癌影像数据库构建项目，为肺癌的早期诊断和治疗研究提供了宝贵的数据资源。该数据库收集了大量的胸部计算机断层扫描（CT）图像，并为每一张图像提供了详细的诊断信息和标注，这其中包括肺结节的识别和标注，是开展影像组学研究的基础。 影像组学是利用先进的计算方法从医学影像中提取大量特征，并通过这些特征研究影像与生物标志物之间的关系，从而有助于疾病的预测、诊断和预后评估。利用影像组学可以挖掘肺结节特征与肺癌之间的潜在联系，从而改善肺癌的早期发现和治疗效果。 在处理图像切片的过程中，通常需要对原始CT图像进行标准化处理，比如调整图像的大小、强度范围，以及去噪等预处理步骤，以确保后续的图像分析和特征提取的准确性。此外，图像切片还需要进行分割，即将感兴趣的区域（如肺结节）从背景中分离出来，以便于进行更为精细的分析。 在LIDC-IDRI数据库中，数据集被分为训练集（train）和测试集（test）。通常在模型构建和训练过程中使用训练集，而测试集则用于评估模型的泛化能力，即模型对未见数据的预测准确性。通过严格的数据集划分，可以有效避免模型对训练数据的过拟合，并确保模型在实际应用中的可靠性。 肺癌数据集中的信息包括图像的数字标识、肺结节的位置、大小、形状、密度等特征，这些都是通过医学影像专家的标注而得来。这些详细的信息为影像组学特征提取提供了必要的参考，为后续的机器学习和深度学习模型提供了丰富的输入数据。通过分析这些特征，可以对肺结节的良恶性做出更为精确的判断，对肺癌的早期发现和治疗具有非常重要的意义。 LIDC-IDRI肺癌数据集结合了影像组学的强大分析能力，使得从CT图像中提取的大量量化特征能够揭示肺结节和肺癌之间的复杂关系，为疾病的早期诊断、预后评估和个性化治疗提供了新的可能性。随着影像组学技术的不断发展和完善，未来有望在肺癌的精准医疗中发挥更大的作用。

img和对应的mask：png格式 13218张图片，大小64*64（只包含肺结节区域） LIDC-IDRI原数据集处理太麻烦了，下载感觉都比较费劲；（github有个代码可以处理获得比较精确的mask，但是本身LIDC-IDRI原数据集就很大，下载感觉有些费事，所以也就没去尝试） LUNA16数据集我根据网上DSB tutorial以及参考这个的处理方法最终得到的图片训练得到的dice才为0.3左右，而且LUNA16数据集的mask都是圆形（我觉得这样用于语义分割不太准确吧，毕竟是像素级分类） 找了很久，忘记在哪里下载的了，找到这个数据集，使用U-net训练，得到的dice是0.8816. 如果有大佬可以分享一下512*512的图片，不胜感激。 侵，则删~

如题，本资源包含了完整的训练代码和训练数据。更多详情可参考博客一：https://qianlingjun.blog.csdn.net/article/details/125051953 博客二：https://qianlingjun.blog.csdn.net/article/details/125064999 数据集部分是LIDC-IDRI的CT结节的数据集，其中供参考的是分叶征的完整数据集（如果需要良恶性、毛刺征等等，可以私信我补充）。代码部分还包括了数据生成的代码，这部分可以帮助你后续产生自己的训练数据集。

这是一个python的肺结节分割代码，是我最近修改过的代码，希望给初学者提供参考，为大家提供思路。欢迎大家下载参考。希望可以给大家帮助

LIDC-IDRI-语义处理 用于从LIDC-IDRI创建DICOM数据的语义标签图的管道。

这是一些从LIDC数据集中剪切出的恶性肺结节图像，欢迎大家的下载使用，希望对大家的研究学习有所帮助。

LIDC-IDRI (The Lung Image Database Consortium)，该数据集由胸部医学图像文件 (如CT、X光片)和对应的诊断结果病变标注组成。 该数据是由美国国家癌症研究所 (National Cancer Institute)发起收集的，目的是为了研究高危人群早期癌症检测。 该数据集中，共收录了1018个研究实例。里面包涵dicom 和 xml 文件

已经从Dicom格式解析成PNG格式，并且切割成了64*64 大小，每个图像都有对应的mask

放射学 LUNA LIDC-IDRI数据集的放射学特征提取

这是一些从LIDC数据集中剪切出的良性肺结节图像，欢迎大家的下载使用，希望对大家的研究学习有所帮助。