本数据集是一个癌症CT图像数据，包括69位不同的患者的475个病例的中等规模的CT影像和患者年龄。该数据是 TCGA-LUAD 肺癌CT影像数据库的一部分。

提出一种将卷积神经网络(CNN)学习特征与传统影像学特征结合的肺结节良恶性鉴别方法。首先,从电子计算机断层扫描(CT)图像中分割出肺结节区域,并使用传统机器学习方法提取结节区域的影像学特征;然后,使用截取的肺结节训练3D-Inception-ResNet模型,提取网络学习的CNN特征,组合两类特征,并利用随机森林(RF)模型进行特征选择;最后,采用支持向量机(SVM)、RF等传统分类器对肺结节进行良恶性鉴别诊断。使用LIDC-IDRI数据库中的1036个肺结节进行实验验证,最终所提方法的分类准确率、敏感度、特异度及接受者操作特性曲线(ROC)下面积(AUC)分别达94.98%、90.02%、97.03%及97.43%。实验结果表明,所提方法能准确地判别肺结节的良恶性,并优于大部分主流方法。

Finding lungs in CT 是基于肺部 CT 影像分割处理的数据集，其包含一系列 CT 影像中对肺部影像的分割，并以此识别和估计肺部容积量。 该数据集包含 4 名患者的数据，以 nifti 格式的图像和分段肺面罩为主，由 Kaggle 于 2017 年发布。

准确分割肺结节在临床上具有重要意义。计算机断层扫描（computer tomography，CT）技术以其成像速度快、图像分辨率高等优点广泛应用于肺结节分割及功能评价中。为了进一步对肺部CT影像中的肺结节分割方法进行探索，本文对基于CT影像的肺结节分割方法研究进行综述。

肺弥漫性病变CT影像，肺弥漫性病变CT影像课件，肺弥漫性病变CT影像PPT

CT是一种利用X射线获得横断面图像的技术，它对诊断医学有革命性的影响，同时也广泛应用在了工业的无损检测。本文按照CT扫描机的发展，分别对不同CT扫描机采用的重建算法进行了介绍，同时分别对不同重建算法的优缺点进行了对比分析。