对不同类型的皮肤癌进行分类 有任何疑问请联系 - josemebin@gmail.com

糖尿病性视网膜病变图像数据集，总图像= 2750张、正常(非DR) = 1000张、轻度DR = 370张、中等DR = 900张、增生性DR = 290张 糖尿病性视网膜病变图像数据集，总图像= 2750张、正常(非DR) = 1000张、轻度DR = 370张、中等DR = 900张、增生性DR = 290张

图像显着性检测算法matlab代码mDRFI _ Matlab 皮肤镜图像中的显着性检测 皮肤镜图像中的显着性检测，如本文所述：M. Jahanifar等人（“皮肤镜图像中病变的受监督的显着性图驱动分割”）（arXiv ：） **这是用于在皮肤镜图像中进行病变分割的算法的一部分，在“ ISIC2017：针对黑色素瘤检测的皮肤病变分析-第1部分：分割”中排名第七。 可以在上述论文中获得对分割方法的完整说明** mDRFI是用于显着性检测的DRFI模型的修改版本，在论文“论文显着物体检测：具有区别性的区域特征集成方法”（arXiv ：）中进行了描述。 我们为显着性特征添加了一些新的区域属性描述符，以便更好地检测皮肤镜图像中的病变。 另外，提出了新的伪背景区域以提高显着性检测。 此实现包含显着性检测方法（mDRFI）的全部pipiline，包括培训和测试阶段。 代码中还实现了颜色恒定性校正。 首先，运行compile.m来编译mex文件（您需要c ++编译器，例如Windows上的Microsoft Visual Studio才能执行此操作）。 如果您想训练自己的随机森林回归器，请查看tra

糖尿病性视网膜病变 一种基于人眼图像的系统，使用图像处理和机器学习方法对糖尿病性视网膜病进行分类。 这是Kaggle竞争的解决方案。 可以在找到具有完整方法描述的论文。 图像处理 形态学图像处理方法用于提取特征性疾病的特征，例如渗出液和红色病变。 机器学习 XGBoost库用于将疾病分为五类。

Lung Phantom Dataset 是肺部病变数据集，其基于美国食品和药品管理局制作的胸部模型，分别制作了 12 个不同大小的病变阴影（有效直径 10 和 20mm）、形状（球形、椭圆形、分叶状和毛刺状）和密度（-630、-10 和 +100 HU），并用哥伦比亚大学-医学中心的扫描仪进行扫描和记录。其中 CT 的扫描参数为 120 kVp、100 mAs、准直 64*0.625、间距 1.375mm，并使用 1.25mm 厚度切片作为肺核重建图像。 Lung Phantom Dataset 由癌症影像档案 TCIA 于 2015 年发布，相关论文有《Data From Lung_Phantom:The Cancer Imaging Archive》。

基于深度学习马铃薯病变叶片识别.zip

目的:探讨艾滋病患者脑部病变的临床和CT表现特点,提高对其诊断与鉴别诊断的水平。方法:回顾性分析72例艾滋病患者脑部病变的临床和影像学资料,所有病例均行颅脑CT平扫,其中12例同时行增强扫描。比较不同脑部病变的CT阳性率、CT征象,同时将不同脑部病变的死亡率进行分组比较。结果:72例艾滋病患者中,39例CT检查有异常表现的不同病种,CT出现异常改变的发生率有所不同(P =0.03)。CT表现包括低密度灶、占位效应、脑室扩大、脑室积水、病灶环状强化、脑膜强化及脑萎缩等改变,艾滋病患者晚期的死亡率较高。结论:

基于卷积神经网络和胶囊神经网络的宫颈病变图像分类方法研究.docx

原Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs 深度学习应用于眼底图眼科糖尿病视网膜病变预测

人工智能-机器学习-计算机辅助诊断技术在胃肠道粘膜下病变诊断中的应用.pdf