肺CT1 肺部CT扫描图像

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

肺部分割数据集

肺部CT图像病变区域检测是肺病辅助诊断技术的重要研究内容，其通过自动分析CT图像并输出病变区域的位置和尺寸等信息，帮助放射科医生做出决策，有利于肺病的早期发现与治疗.

疾病专家系统 预测肺部疾病的专家系统 编译 运行gradlew build （Linux上的./gradlew build ） 尝试 在构建/发行版中，生成了disease-expert-system.zip组件。 解压缩并运行bin /疾病专家系统。

为将肺实质区域从含有背景、噪声的胸腔区域里分割出来，首先，应用传统的区域生长法初步定位肺部边界轮廓；其次，去除肺部边界噪声，采用自适应曲率阈值法修复肺部边界；最后，应用水平集法中的DRLSE模型精确地分割出肺部区域。融合两种方法分割肺部区域，有效防止了图像边缘的漏检，可处理多种类型病变的肺部图像。在随机抽取的150例图像中，分割的准确率达到96.9%，分割一幅图像花费的时间约为0.72 s，具有很强的鲁棒性和较高的分割精度。本算法能精确完整地分割出肺部区域并保留了肺区内的细节信息。

从 CT 影像中对肺部影像进行分割并识别肺部容积

肺实例分割工作流程 （使用Keras和Ray Tune的U-Net / Mask R-CNN工作流程进行实例细分） 肺部实例分割工作流程使用通过模型从图像中预测肺罩。 运行工作流程 使用命令git clone cd进入lung-instance-segmentation-workflow目录 [可选]如果要添加自己的Docker映像，请转至workflow.py文件并在以下位置更改映像 unet_wf_cont = Container ( "unet_wf" , Container . DOCKER , image = "docker://vedularaghu/unet_wf:latest" ) 部分，指向您的docker映像的链接 使用命令python3 w

LUNA16是16年推出的一个肺部结节检测数据集，LUNA16的文件，共有10个子文件夹，subset0~subset9，这是为了做10折交叉验证，每个文件夹里都是病例，每个病例对应两个文件，文件名相同，后缀不同，其中.mhd文件存储着ct的基本信息，.raw文件存储着实际的ct数据，可以看到，ct文件还是挺大的，LUNA16足足一百多G，下载起来也挺耗时的。文件如果失效了加百度云2642828613@qq.com

机器人肺部超声成像的自主目标定位 开发了用于半自主肺超声成像的机器人系统 伍斯特工业大学医学融合实验室的直接研究 贡献： 使用DensePose自动识别患者并扫描目标区域 使用RealSense相机的表面法线求解器 基于速度的PD控制器，用于Franka Emika机器人 系统集成和验证 用法： franka_example_controllers 从修改的franka机器人的较低级别控制 robotic_ultrasound 弗兰卡机器人的高级控制 数据处理MATLAB脚本来处理实验数据