乳腺肿瘤计算机辅助诊断(CAD)系统在医学检测和诊断中的应用日益重要。为了区分核磁共振图像(MRI)中肿瘤与非肿瘤，利用深度学习和迁移学习方法，设计了一种新型乳腺肿瘤CAD系统：1）对数据集进行不平衡处理和数据增强；2）在MRI数据集上，利用卷积神经网络（CNN）提取CNN特征，并利用相同的支持向量机分类器，计算每层CNN的特征图的分类F1分数，选取分类性能最高的一层作为微调节点，其后维度较低层为连接新网络节点；3）在选取的网络接入节点，连接新设计的两层全连接层组成新的网络，利用迁移学习，对新网络载入权重；4）采用固定微调节点前的网络层不可训练，其余层可训练的方式微调。分别基于深度卷积网络(VGG16)、Inception V3、深度残差网络(ResNet50)构建的CAD系统，性能均高于主流的CAD系统，其中基于VGG16和ResNet50搭建的系统性能突出，且二次迁移可以提高VGG16系统性能。

小鼠乳腺中Heregulin-α的表达与作用，耿丽晶，李庆章，Heregulins（HRGs）是HRG基因所编码的一个多肽因子。此基因能够通过选择性RNA剪切形成多种同行异构体。在正常乳腺中，只有HRG-α表达。HRG-

131I－Herceptin对乳腺癌细胞株的体外杀伤效应，林菁，，【目的】研究同位素131I标记Herceptin对Her-2表达阳性乳腺癌细胞的特异性杀伤作用。为进一步放射免疫导向治疗奠定基础。【方法】应用IOD

基于图论的乳腺肿瘤超声图像的分割和识别方法.pdf

经过修改的AAPM TG18图像 乳房X线照片DICOM图像 乳房摄影图像的处理方式与其他图像的图像不同图像

乳腺浸润性导管癌分级的组织病理学图像集，共906张图片，显微镜图像 乳腺浸润性导管癌分级的组织病理学图像集，共906张图片，显微镜图像 乳腺浸润性导管癌分级的组织病理学图像集，共906张图片，显微镜图像

意大利 IAE 生产的乳腺X射线机球管，性能手册，技术文档，球管型号：XM65T，为医疗设备技术人员提供参考。

MATLAB源程序21 LVQ神经网络的分类——乳腺肿瘤诊断.zip

逻辑回归预测良性和恶性乳腺肿瘤实现二分类（使用 scikit-learn 和 XGBoost 两种方式）,可扩展应用到小样本数据的故障诊断领域二分类问题 # 使用逻辑回归预测乳腺肿瘤是良性的还是恶性的 # 数据集为乳腺癌数据集，通过细胞核的相关特征来预测乳腺肿瘤为良性/恶性，这是一个非常著名的二分类数据集 # 数据集包含569个样本，其中有212个恶性肿瘤样本，357个良性肿瘤样本 # 共有32个字段，字段1为ID，字段2为label，其他30个字段为细胞核的相关特征 # scikit-learn实现逻辑回归 # XGBoost 实现逻辑回归 # XGBoost在预测结果上和scikit-learn有些差别，XGBoost的预测结果是概率，而scikit-learn的预测结果是0或1的分类，需要用户自己对其进行转化，程序能够实现scikit-learn 和XGBoost的概率输出和0或1分类输出 # 使用评估指标对分类和预测结果进行评估， 实现scikit-learn 和 XGBoost 两种逻辑回归方式对比分析

matlab代码影响乳房密度 使用Dixon序列分割和测量MRI中的乳房实质组织的源代码，该Dixon序列包含仅水和仅脂肪的加权图像。 源代码 该项目最初是在Matlab 2011a中编写的。 某些部分正在迁移到Python3。要从下面提到的论文中复制结果，请使用原始的Matlab源代码。 /matlab子文件夹包含所有Matlab代码 /python子文件夹包含已经迁移到Python 3的管道部分。 外部程序 管道依赖于需要安装的外部程序，并且是环境路径的一部分。 测试版本：1.0.20190410 测试版本：2.3.4 测试版本：20180328，v2.3.9 测试版本：5.0.11，6.0.4 管道 处理管道包括三个步骤： 预处理：将dicom转换为nifti，重新定位图像，进行偏置场校正并组合图像 乳房分割：使用基于模板的注册方法从背景和其他身体部位中分割乳房。 首先，最佳匹配模板由仿射配准确定。 然后，非严格地注册最佳匹配模板以匹配对象身体和乳房的形状。 分割乳房的实质和脂肪组织，并计算汇总指标。 用法（Matlab） 将项目的所有文件夹添加到Matlab搜索路径。 通过将外