肺癌数据集和影像组学是当前医学影像领域研究的热点和前沿。LIDC-IDRI项目作为一项国际性的肺癌影像数据库构建项目，为肺癌的早期诊断和治疗研究提供了宝贵的数据资源。该数据库收集了大量的胸部计算机断层扫描（CT）图像，并为每一张图像提供了详细的诊断信息和标注，这其中包括肺结节的识别和标注，是开展影像组学研究的基础。 影像组学是利用先进的计算方法从医学影像中提取大量特征，并通过这些特征研究影像与生物标志物之间的关系，从而有助于疾病的预测、诊断和预后评估。利用影像组学可以挖掘肺结节特征与肺癌之间的潜在联系，从而改善肺癌的早期发现和治疗效果。 在处理图像切片的过程中，通常需要对原始CT图像进行标准化处理，比如调整图像的大小、强度范围，以及去噪等预处理步骤，以确保后续的图像分析和特征提取的准确性。此外，图像切片还需要进行分割，即将感兴趣的区域（如肺结节）从背景中分离出来，以便于进行更为精细的分析。 在LIDC-IDRI数据库中，数据集被分为训练集（train）和测试集（test）。通常在模型构建和训练过程中使用训练集，而测试集则用于评估模型的泛化能力，即模型对未见数据的预测准确性。通过严格的数据集划分，可以有效避免模型对训练数据的过拟合，并确保模型在实际应用中的可靠性。 肺癌数据集中的信息包括图像的数字标识、肺结节的位置、大小、形状、密度等特征，这些都是通过医学影像专家的标注而得来。这些详细的信息为影像组学特征提取提供了必要的参考，为后续的机器学习和深度学习模型提供了丰富的输入数据。通过分析这些特征，可以对肺结节的良恶性做出更为精确的判断，对肺癌的早期发现和治疗具有非常重要的意义。 LIDC-IDRI肺癌数据集结合了影像组学的强大分析能力，使得从CT图像中提取的大量量化特征能够揭示肺结节和肺癌之间的复杂关系，为疾病的早期诊断、预后评估和个性化治疗提供了新的可能性。随着影像组学技术的不断发展和完善，未来有望在肺癌的精准医疗中发挥更大的作用。

1. 影像获取及标准化︰美国国立卫生研究院(National mitites of Health，NIH)和国家癌症研究院（(MatiomalCace lonsitue ,NCI通过与多个国家医疗机构合作，建立了标准化临床影像数据库，涵盖肺部、脑部、乳腺、前列腺等重要器官; 2. 高通量特征的稳定性:提升机器特征提取算法的准确率，同时可以采取机器和手工相结合的方法，降低机器获取特征的错误率; 3. 特征选择和建模:寻找使用广泛的特征选择和模式识别算法也是未来影像组学发展的趋势之一； 4. 多中心验证:一般我们针对单一机构的小样本探索，所得到的结果缺乏广泛验证，未来的影像组学需要多中心，大样本，随机对照的反复锤炼，这也是解决摸型泛化性不足的一个方案，也是未来研究的发展趋势；

MRIcroGL 是一款免费、开源的轻量级软件； dicom格式转换为nifti， 直接将dcm文件夹拖至软件中；打开也可以使用同样的操作； 勾画ROI时可以使用不同颜色标记不同感兴趣区；保存时点击Draw-Save VOI-生成mask文件

Slicer-5.0.2-win-amd64.exe 开源医学影像分析和可视化平台。 从功能层面，它提供非常丰富的交互和可视化界面，你可以用它导入医学影像，然后进行影像的分割、重建、配准、标记点选择、测量等等操作。它本身提供了非常多的模块，比如优秀的配准模块、齐全的交互分割和重建模块、图像的重采样、裁剪、滤波等各种操作。 如果自带的功能满足不了你的需求，还可以安装插件，如下图插件平台有上百个开源插件，支持各种高级处理；如果仍然找不到你需求的内容，那么你还可以自己写插件，满足自己的特定需求。

毕业设计资料基于深度学习CT影像组学的活体猪肌内脂评估系统的设计与实现源码

本代码能够处理分割后的.raw格式图像，将图像中有分割数据的切片提取出来，以便进行下一步的提patch等等处理。提patch代码见我csdn的其他资源。 %该函数输入.raw图像的路径filename %输出一个由带数据切片叠成的三维矩阵file_data，以及file_data的厚度（带数据的切片数）data_slice_number

T2WI，DWI和ADC影像组学数据，第一列group中1是胶质瘤，2是非胶质瘤

radiomic 影像组学 生存分析

《中国肿瘤临床》文章荐读：基于生命_影像组学和人工智能的精确放射治疗：思考与展望.pdf

基于人工智能斑块分割超声图像的影像组学在颈动脉斑块稳定性评估中的应用.pdf