脑肿瘤放射基因组分类的DICOM图像转换数据集，本数据集为TFRecords文件，由RSNA-MICCAI脑肿瘤放射基因组分类数据集的DICOM文件转换而来。train文件夹有465个样本，valid文件夹有117个样本。每一个都有形状(128,128,32,4)。4种模式有64个切片。

皮肤肿瘤数据集，该数据集由2357张恶性和良性肿瘤疾病的图像组成，这些图像来自国际皮肤成像合作组织(ISIC)。所有的图像都按照ISIC的分类进行排序，除黑色素瘤和痣的图像略占优势外，所有子集的图像都被分成相同数量的图像

基于MRI图像的脑肿瘤分类数据集，共7678张图片 基于MRI图像的脑肿瘤分类数据集，共7678张图片 基于MRI图像的脑肿瘤分类数据集，共7678张图片

图像分割可以通过不同的方式实现阈值、区域生长、流域和等高线。 以前的缺点方法可以通过提出的方法来克服。 提取有关信息肿瘤，首先在预处理级别，头骨外的额外部分并且没有任何有用的信息被删除然后各向异性扩散过滤器应用于 MRI 图像以去除噪声。 通过应用快速边界box (FBB) 算法，肿瘤区域以边界显示在 MRI 图像上框，中心部分被选为训练一类 SVM 的样本点分类器。 然后支持向量机对边界进行分类并提取瘤。

MATLAB源程序21 LVQ神经网络的分类——乳腺肿瘤诊断.zip

医学测试数据集，包含258万条数据

matlab滑动条码免疫地形图 这是什么？ 该存储库包含脚本，用于分析组织学图像中肿瘤浸润免疫细胞的形貌。 图像分析将使用QuPath v 0.1.2（qupath.github.io）完成，而所有下游分析将使用Matlab R2017b（Mathworks，Natick，MA，USA）完成。 该方法在eLife 2018中发表的论文“癌症相关免疫细胞拓扑图”中进行了描述。如果您重复使用任何代码，请引用该论文。 我该如何使用呢？ 该软件可能尚未准备好进行常规部署。 它是可用于研究项目的图像分析管道的一部分。 简而言之，完整的流程如下 获取肿瘤的组织切片并进行免疫染色 扫描幻灯片并将整个幻灯片图像加载到QuPath中 手动绘制肿瘤核心区域（标记为“ TU_CORE”）和外部侵入边缘（“ MARG_500_OUT”） 运行“ ./qupath_scripts”中提供的QuPath脚本 运行Matlab脚本以解析QuPath输出并执行进一步的分析。 依次运行脚本“ step_01”，“ step_02”等。 我如何获得帮助？ 如有任何疑问，请随时与作者联系。 有关QuPath的问题，请参见。

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

该代码使用两种敏感性分析方法计算增殖入侵放射治疗 (PIRT) 模型的时空敏感性（预定义目标函数相对于辐照信号的梯度）：伴随敏感性分析和有限差分法。 更多信息： K. Fujarewicz, K. Łakomiec：肿瘤生长模型的伴随敏感性分析及其在时空放疗优化中的应用，数学生物科学与工程 13(6)，2016 年，p。 1131--1142

Personalized Medicine: Redefining Cancer Treatment Dataset 是一个对癌症肿瘤基因突变解释的数据集，其包含用于训练的基因突变描述文件和对基因突变进行分类的临床证据。 该数据集由 Kaggle 于 2018 年发布，相关数据均来自于 2017 年至 2018 年的 NIPS 2017 Competition。