使用卷积神经网络从患者肺部CT扫描中检测癌性病变 2017年数据科学杯 问题 美国每年因肺癌造成的损失约为225,000人，每年造成的金钱损失为120亿美元。 副总统办公室在早期发现肺癌方面分配了特别的精力，因为这可以提高受害者的生存率。 根据Kaggle＆'Booz，Allen，Hamilton'的要求，他们在Kaggle上举办了一项竞赛，旨在通过设计功能强大的机器学习算法来检测患者CT扫描中的恶性斑点和结节。 作为一个有趣的问题，我们（团队）决定提供各种方法来设计解决方案，因此决定解决Data Science Bowl 2017问题。 数据与预处理 比赛组织者提供了2类数据集。 第一类是一组不同患者的CT扫描图像。 数据集的第二方面涉及患者的一组标签。 每个患者的CT扫描图像的数量不是固定的，因此图像的数量是不同的。 由于贡献者提供的数据是患者CT扫描的DICOM文件，因此它涉及复杂

PNDC 肺结节的检测与分类 Extra Codes Will be updated soon! 深度学习胸部X线断层扫描图像中孤立性肺结节患者的肺癌诊断算法 \ 细节 抽象的 深度神经网络可检测孤立的结节，并根据胸部CT（计算机断层扫描）图像对结节是否为癌症进行分类。 在该项目中，深度神经网络基于CNN，包括反卷积层和解集层，用于分类和分段。 网络 演示版 原始预测 数据集 肺图像数据库联合会图像收集（LIDC-IDRI）包括诊断性和肺癌筛查性胸部X线断层扫描（CT）扫描，并标明带注释的病变。 它是可通过网络访问的国际资源，用于开发，培训和评估用于肺癌检测和诊断的计算机辅助诊断（CAD）方法。 由美国国立癌症研究所（NCI）发起，并由美国国立卫生研究院（FNIH）基金会进一步推动，并在食品药品监督管理局（FDA）的积极参与下，这种公私合作伙伴关系证明了一项成功的研究成果。建

欠采样算法matlab实现代码压缩传感扩散肺MRI 该存储库包含论文中提出的新型压缩传感方法的数据，代码和结果，将信号行为的先验知识整合到重建中以加快MR扩散数据的获取。 JFPJ Abascal，M Desco，J Parra-Robles（提交出版）2017年。 所提出的方法将信号衰减的知识整合到重建（SIDER）中，以通过在空间和b值维度上进行欠采样来加速MR扩散数据的获取。 SIDER将总变化（TV）与惩罚函数结合在一起，该函数可沿b方向促进稀疏性，如下所示： 其中Nabla是通向TV的空间梯度，F是欠采样的傅立叶变换，u是通气图像，M是对b的连续值编码通气图像之间的关系的算符。 可以使用扩展的指数模型来近似此关系 其中D和alpha分别是扩散和异质性指数的估计平均值，可用于估计平均肺泡长度（Lm）。 下图显示了对照组和患者的通气图像（左上），信号衰减（右上）以及D，alpha和Lm的估计图（下）。 数据 使用三名正常志愿者和三名COPD患者（n = 8，两名患者在不同疗程进行两次采集）的完全采样扩散数据集评估方法，这些数据可从早期工作中获得[Parra-Robles等人，IS

The dataset is a collection of CT san of patients' lungs and a baseline chest CT scan. lungCTscans_datasets.txt

EGFR mutation lung cancer

analysys_meat_consumption_lung_cancer_deaths_罗马尼亚 该实验试图确定罗马尼亚在过去28年中的人均肉食消耗量与肺癌死亡人数之间是否可以建立相关性。 输入包括两个数据集，一个数据集涉及癌症死亡的类型，一个数据集涉及人均每种类别的肉类消费量（家禽，猪肉等）。 输出包括一个新创建的数据集，该数据集基于输入数据中的已处理数据，并具有两个可视化视图，可以帮助我们检查相关性是否存在，并进行解释。

matlab分水岭算法源代码肺癌检测 使用MATLAB中的图像处理算法检测肺癌 该项目使用MATLAB来实现图像处理算法。 图像处理工具箱在项目中经常使用。 分割算法的使用基于：。 该项目的目的是提出一种系统，该系统可以使用CT扫描图像定位可能是肺癌的前瞻性区域或结节。 在每个患者文件夹中，CT扫描图像的命名如下： pX_img1.dcm pX_img2.dcm ... 伴随每次CT扫描，我们都有基本道理： pX_seg1.dcm pX_seg2.dcm 其中X是患者编号。 这些地面真相图像是相应CT扫描图像的正确肺癌结节。 建议您将所有这些图像以及每个分段阶段的源代码放在一个文件夹中，以便可以一起运行所有内容。 如果您只对运行某些文件感兴趣，请将相应的文件和图像放在一起。 例如，仅在第一张图像上运行分水岭算法，请确保：图像：p1_img1.dcm，p1_seg1.cdm和源代码：p1_img1watershed.mlx函数：noduleExtraction.m，lungeExtraction.m，falseTruePositives.m和markcontrwatershed.m文件在

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

半监督学习以改善肺癌的检测 使用生成模型和半监督学习促进肺癌检测 用于训练的数据集 LUNA16数据集（ ） Kaggle数据科学碗2017（ ） 建筑学 结果 结节检测器结果 发电机结果 分类器结果 方法 准确性 监督学习 64％ 半监督学习 87.3％ 资源 Kaggle数据科学碗2017内核 Luna2016-肺结节检测 Tensorflow中的半监督学习GAN [链接] DSB2017 [链接] Keras-GAN [链接] 使用很少的数据构建强大的图像分类模型[link] 贡献者： Dhamodhran（ @ svella9 ） 悉达思R科蒂（ siddharthkoti ） 维杰·蒙达拉吉（ Vijay-Mundaragi ）

关于DLCO相关的解析文献