肺部疾病CT图像数据集，该数据集包含三个不同的类别，包括健康、1型疾病和2型疾病。训练文件夹这个文件夹有用于训练模型的图像，它被分为与类名称相同的子文件夹。Test文件夹该文件夹包含用于测试模型的图像，它被分为与类名称相同的子文件夹。共300多张肺部CT图像

肺癌是一种世界性的高发疾病，死亡率更是居高不下。早发现，早治疗是提高肺癌的治愈率和延长患者生命周期的重要手段，而肺结节是肺癌早期的主要表现形式，因此，对肺结节的早期诊断分析是提高肺癌患者生存率的关键。利用计算机断层扫描技术（Computed Tomography, CT）筛查肺结节是目前通常采用的诊断方法。随着患者的日益增多，肺部 CT 数据也在呈指数级地增长，无疑给医师的人工筛查工作带来了巨大的挑战和负担，因此使用计算机辅助诊断（Computer Aided Diagnosis, CAD）技术进行肺结节检测分割十分必要，能极大的提高医师的诊断效率并进一步提高肺癌诊断的准确率。 由于肺结节在尺寸、形状上的多变性以及与肺部血管等组织的相似性。在使用传统分割方法进行肺结节分割时，过于依赖医师的先验知识及主观判断，导致容易出现漏分割和过分割的情形。利用深度学习算法的分割过程不再需要人为选择特征，并且能够提取到更具体、更有辨识度的信息，将深度学习算法用于医学图像分割现已成为一个重要的研究方向。U-Net 网络因结构简单、泛化能力强，已广泛应用于医学图像处理领域。

为将肺实质区域从含有背景、噪声的胸腔区域里分割出来，首先，应用传统的区域生长法初步定位肺部边界轮廓；其次，去除肺部边界噪声，采用自适应曲率阈值法修复肺部边界；最后，应用水平集法中的DRLSE模型精确地分割出肺部区域。融合两种方法分割肺部区域，有效防止了图像边缘的漏检，可处理多种类型病变的肺部图像。在随机抽取的150例图像中，分割的准确率达到96.9%，分割一幅图像花费的时间约为0.72 s，具有很强的鲁棒性和较高的分割精度。本算法能精确完整地分割出肺部区域并保留了肺区内的细节信息。

项目开发中，使用的部分CT图像，预览请点击链接：https://blog.csdn.net/mdxiaohu/article/details/88948366

基于U-Net网络的肺部CT图像中的肺结节轮廓识别，张驰，赵磊，在肺部CT图像切片上，肺结节很小并且有些肺结节与周围良性组织相连。由于肺结节的灰度值与周围良性组织的灰度值相差很小，这使得�

我们实现了一个系统，可以从CT图像中将肺部从胸腔中分离出来，并且通过三维重建和三种横断面的显示实现可视化。该系统是基于Visual Studio 2013平台，借助VTK-7.0和Qt5.6开源库通过C++语言实现。