使用机器学习进行乳腺癌诊断 该项目的目的是采用UCI机器学习存储库中的乳腺癌威斯康星州(诊断)数据集,并应用Logistic回归,朴素贝叶斯,支持向量机,决策树和多层感知器等机器学习模型来提取特征可能最适合预测癌症性质的数据集。 目的是对乳腺癌是良性还是恶性进行分类。 确定基于模型预测的模型的准确性,以相互分析和比较生成的模型,并从模型中选择最佳模型。 多层感知器是测试过的模型中最准确的模型,准确度为97.2%。
2021-12-16 17:06:04 1.45MB JupyterNotebook
1
作为全球女性中最常见的癌症之一,乳腺癌引起了研究人员的最多关注。 经证实,准确及早发现乳腺癌可以增加患者采取正确治疗方案并长期生存的机会。 本文旨在探讨可用于从常规血液分析数据预测乳腺癌的生物标志物的范围。 支持向量机(SVM)已经为癌症分类领域做出了重要贡献。 然而,不同的核函数配置及其参数会显着影响 SVM 分类器的性能。 为了提高 SVM 分类器对乳腺癌诊断的分类精度,本文提出了一种新的癌症分类算法,该算法基于使用网格搜索算法的智能算法优化 SVM 分类器的相关参数这些参数是: 高斯径向基函数 (GRBF) 核SVM分类器的参数g和C惩罚参数。 我们的实验表明,使用网格搜索的 SVM 参数优化总是在给定范围内找到接近最佳的参数组合,以评估所提出模型的性能,使用取自 UCI 库的乳腺癌科英布拉数据集。 在这个数据集时代,使用了体重指数 (BMI)、葡萄糖、胰岛素、稳态模型评估 (HOMA)、瘦素、脂联素、抵抗素和趋化因子单核细胞趋化蛋白 1 (MCP1) 属性。 在该数据集上将所提出方法的性能与其他方法的性能进行比较。 获得的结果显示了对最先进算法的改进,具有改进的性能参数,例如疾病预测准确性、灵敏度和更好的 F1 分数等。 资金声明:作者表示,这项研究没有获得外部资金。利益声明:作者声明没有利益冲突。道德批准声明:不需要。
2021-12-15 15:39:06 1.17MB breast cancer; machine learning;
1
肺癌检测与分割 运行Main.m并选择图像的路径。
2021-12-15 12:35:27 7.3MB MATLAB
1
图像矩阵matlab代码Breast_cancer_detection 使用预训练模型对图像进行分类以检测癌细胞 前提条件: Python2.7 MATLAB(LIBSVM) 脾气暴躁的,西皮,斯克莱恩 Tensorflow 1.0 Tflearn BreakHis的数据集位于:Davi Frossard的网页上正在使用VGG-16权重:这是他的干净入门教程: 我们尝试预先训练的网络和分类与从头开始的训练。 方法1:使用预先训练的VGG-16来获取功能。 运行vgg16_cv.py以从BreakHis数据集的每个图像中提取特征。 它将为每个图像在同一文件夹中创建一个功能文件 运行generate_features.py将所有单个要素文件组合为一个要素矩阵(mat文件)。 它还会创建一个单独的目标Mat文件。 运行CV_balancing_code.m处理数据不平衡。 它输出4个文件:训练数据,训练数据目标,测试数据和测试数据目标 使用classifier_code.m和RandomForest_CV.m使用线性SVM,多项式SVM和随机森林对数据进行分类。 方法2:运行alexnet.
2021-12-14 17:33:55 630KB 系统开源
1
Breast_Cancer_Classification 利用逻辑回归和神经网络模型基于数字化活检图像将乳腺癌肿瘤分类为恶性或良性
2021-12-05 15:49:54 582KB HTML
1
The AJCC Cancer Staging Manual, Eighth Edition Staging Form Supplement includes 104 printable staging forms for each distinct staging system published by the American College of Surgeons (ACS). These printable forms may be used by physicians to record data on T, N, and M categories; prognostic stage groups; additional prognostic factors; histologic grade; and other important information. These forms may be useful for recording information in the medical record and for communicating information from physicians to the cancer registrar. The staging forms may be used to document cancer stage at different points in the patient’s care and during the course of therapy, including the time before therapy begins, after surgery and completion of all staging evaluations, or at the time of recurrence. It is best to use a separate form for each time point staged along the continuum for an individual cancer patient. However, if all time points are recorded on a single form, the staging basis for each element should be identified clearly. See Principles of Cancer Staging1 (Chapter 1) of the AJCC Cancer Staging Manual, Eighth Edition2 for complete staging rules. Always refer to the respective chapter in the Manual for disease-specific rules for classification, as this form is not representative of all rules, exceptions and instructions for this disease.
2021-12-02 23:02:22 15.25MB AJCC 癌症 TNM
1
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
2021-12-01 15:46:37 3.22MB JupyterNotebook
1
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
1
进行乳腺癌诊断的预测分析 使用Python中的K-Means聚类和随机森林算法
2021-11-18 00:26:10 14.22MB JupyterNotebook
1
决策树 对新患者进行分类的乳腺癌数据集的决策树。 训练数据 该模型是使用699例乳腺癌患者的数据集构建的。 数据集经过归一化和清洗,最终使500名患者接受了培训和测试的最终数据集。 共有500例患者,其中262例(52.4%)患有良性肿瘤,238例(47.6%)患有恶性肿瘤。 为了进行训练,使用了80%的数据,其中40%是良性肿瘤,40%是恶性肿瘤,其余20%用于测试。 在这20%中,12.4%来自良性肿瘤,而7.6%来自恶性肿瘤。 怎么跑 克隆存储库 启动你的服务器 现在,您可以从“决策树”中访问预测结果。 要查看命中率,请inspecionar并检查console 。 注释 src目录中的decision-tree.js文件已从以下存储库中删除,该存储库允许使用和修改: :
1