今夕何夕 【医学影像分析】3D-CT影像的肺结节检测（LUNA16数据集）.zip

针对传统肺结节检测准确率低，且存在假阳性高的问题，提出了一种改进Faster R-CNN检测候选结节，以及改进的3D DCNN去除假阳性的算法。考虑到结节的形状大小等因素，在Faster R-CNN上更改锚点数量和尺寸检测结节的鲁棒性，并在特征提取器的最后一层添加一个反卷积层，在网络特征图上根据结节尺寸添加小型滑动网络以使网络自适应生成感兴趣区域，获取候选结节。为了去除假阳性结节，在2D DCNN基础上调整卷积核参数，引入时间维度生成3D DCNN，并利用Adam算法调整网络学习率更改网络权重参数，采用数据增强策略进一步提取结节的全局特征。LIDC-IDRI数据集上的实验结果表明，所提出的算法平均检测准确率达到97.71%，同时降低了误诊率和漏诊率。

LUNA16对象检测 为Luna16数据集上的肺结节检测任务开发一个记录良好的存储库。 这项工作的灵感来自于“ ”。 肺癌是世界上最常见的癌症。 每年死于肺癌的人数多于乳腺癌，结肠直肠癌和前列腺癌的总和。 肺结节检测是检测肺癌的重要过程。 提供健壮模型的工作很多，但是，目前还没有确切的解决方案。 （以下简称DSB）是全球首屈一指的社会公益竞争数据科学，创建于2014年，由Booz Allen Hamilton和Kaggle提出。 数据科学碗汇聚了各行各业的数据科学家，技术专家和领域专家，以应对全球数据和技术挑战。 在DSB2017中，举行了寻找肺结节的比赛。 grt123团队通过实施基于3

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

image_augmentation lung-nodule-detection : cube image augmentation. 在现实条件下，medical image的数据量一般都不足，此时利用数据增广来扩充数据集就显得尤为重要。 背景 我们将每个病人的CT scan（3D）切成一个个cube。 已知肺结节的坐标从而可得到每个cube对应的标签（positive or negtive），将已知标签的cube输入网络训练得到模型。 对于需要预测的CT scan，相当于用一个3D窗口（与cube同一个size）在CT scan上一步步滑动，预测每个3D窗口的nodule_chance。我们可以根据步数、步长、滑动窗口(cube)的大小来算出每个滑动窗口的坐标，从而获得结节(nodule_chance > threshold)的坐标。 从上面可知，网络的输入是cube image（

肺结节检测代码 matlab rrrrrrrrrrrrrrr PNDC-项目 这个旨在检测肺部结节并分类结节是良性还是恶性的项目是由 Jihoon Han 为毕业项目开发的。 这些代码是用 opencv2、Ipython、jupyter、matlab 和其他东西实现的。 所有这些项目代码将在2017年11月毕业项目展示后发布。 工作流程 1. 数据 大约 1400 张 CT 图像用于训练，220 张 CT 图像用于验证集，10 张图像用于测试。 2. 预处理 将在毕业项目介绍后发布 3. 神经网络 详细信息将在毕业项目介绍后发布 4. 后处理 将在毕业项目介绍后发布 5. 结果 详细信息将在毕业项目介绍后发布 平均准确度：99.6~7% 平均损失：6~10% 引文 [1] Noh, Hyeonwoo, et al. arXiv 预印本 arXiv:1505.04366 , 2015。 [2] 隋，袁，等。 hindawi，文章 ID 368674，13 页，2015 年。 [3] 雅各布斯、科林等人。 PubMed, NCBL 25478740 ,2015 [4] 铃木健二。 英Tyk

针对现有方法在大量肺部数据中存在的检测肺结节效率不高及大量假阳性的问题，提出了一种基于端到端的二维全卷积对象定位网络(2D FCN)与三维立体式目标分类卷积神经网络(3D CNN)相结合的肺结节检测方法。首先采用2D全卷积神经网络对所有CT图像进行初步检测，快速识别和定位CT图像中的疑似结节区域，输出一张与原图尺寸相同且被标记好的图像。然后计算疑似结节区域的坐标，根据坐标值提取疑似结节的三维立体图像块训练构建的3D卷积神经网络框架。最后利用训练的3D模型对候选结节做二分类处理以去除假阳性。在LIDC-IDRI数据集上，结节初步检测召回率在平均每位患者为36.2个假阳性时可达98.2%;在假阳性去除之后，假阳性为1和4时分别达到了87.3%和97.0%的准确率。LIDC-IDRI数据库上的实验结果表明，所提方法对三维CT图像的肺结节检测具有更高的适用性，取得了较高的召回率和准确率，优于目前相关文献报道的方法。该框架易于扩展到其他3D医疗图像的目标检测任务中，对辅助医师诊治具有重要的应用价值。

肺结节检测代码 matlab 此处授予仅出于教育和研究目的且免费使用、复制或修改本软件及其文档的许可，前提是所有副本和支持文档中均包含此版权声明和原作者姓名。 未经作者许可，不得使用、改写或改编本程序作为商业软件或硬件产品的基础。 作者对本软件对任何目的的适用性不作任何陈述。 它“按原样”提供，没有明示或暗示的保证。 1.0 版，2018 年 5 月 28 日。 对于任何错误/建议，请发送电子邮件至或有关更多详细信息，请访问 该软件是以下论文的实现： N. Khehrah、MS Farid、S. Bilal，“CT 扫描中的自动肺结节检测”，提交给国际医学信息学杂志。 如果您在研究中使用此代码，请参考上述论文。 此文件夹“演示”包含以下文件 1)main.m 2)segmentation.m 3)temporal_feature.m 4)statistical_feature 5)svmStruct 6)regiongeneration.m 7)regiongeneration1.m 除了这些文件，该文件夹还包含一些作为演示处理的肺 Ct 扫描示例图像。 Segmentation.m

将一系列二维dicom图像读入内存，叠成一个三维体数据。然后，通过中心点和方向，利用插值算法，对三维体数据切片，最终将切片结果写出成一系列jpg图像。

Python> = 3.6（Python 2.7也可以使用），cude> = 9.0和PyTorch 1.1