如今，医学领域广泛采用图像处理方法来提高对某些异常的早期检测，例如乳腺癌、肺癌、脑癌等。 本文主要集中在从 X 射线图像、计算机断层扫描 (CT) 图像和 MRI 图像中分割肺癌肿瘤。 图像分割采用图像处理方法。 在预处理阶段使用均值和中值滤波器。 在图像分割阶段，使用Otsu的阈值和k-Means聚类分割方法对肺部图像进行分割并定位肿瘤。 为了评估用于分割的方法的性能，在两者的分割图像上计算性能评估参数，例如信噪比（SNR）、均方误差（MSE）和峰值信噪比（PSNR））。用于分割的不同分割方法。 无论图像如何，K-Means 分割都能获得更好的结果。

official_classification.py ： 使用了较多的sklearn中提供的聚类函数 self_classification.py ： 使用了较多的手写聚类函数（手写高斯聚类由于计算高维矩阵n次方报错，就没有使用） 两者可以相互比较看手写函数效果如何。 model.py ： 其中包含了kmeans，lvq，mixture-of-gaussian聚类函数，以及计算精度和NMI的手写函数，处理标签映射的匈牙利算法。 由于学习向量量化是依据ground truth的得到的一组原型向量，是有监督的学习，因此计算其精度没有意义，在函数里就没有计算精度和NMI，只打印出了原型向量 函数运行时会有warning，不用在意，手写的函数没有优化，速度较慢 代码对三个数据集，分别使用了kmeans，lvq，mixture-of-gaussian三个方法，在得到预测标签后，采用匈牙利算法对标签进行处理，计算其精确度acc和标准互信息nmi 这三种方法聚类的精度只有百分之五十几，在数据集yale中效果较差 运行方法： 安装相应需求的库，直接运行official_classifica

慢性肺疾病 使用卷积神经网络对肺部疾病进行分类

Lung Phantom Dataset 是肺部病变数据集，其基于美国食品和药品管理局制作的胸部模型，分别制作了 12 个不同大小的病变阴影（有效直径 10 和 20mm）、形状（球形、椭圆形、分叶状和毛刺状）和密度（-630、-10 和 +100 HU），并用哥伦比亚大学-医学中心的扫描仪进行扫描和记录。其中 CT 的扫描参数为 120 kVp、100 mAs、准直 64*0.625、间距 1.375mm，并使用 1.25mm 厚度切片作为肺核重建图像。 Lung Phantom Dataset 由癌症影像档案 TCIA 于 2015 年发布，相关论文有《Data From Lung_Phantom:The Cancer Imaging Archive》。

使用OpenCV和CNN进行图像分割 使用OpenCV（和深度学习）进行图像分割

存在严重病变时在CT中自动进行肺分割 该软件包提供了用于肺分割的训练有素的U-net模型。 目前，有四个模型可用： U-net（R231）：该模型在覆盖范围广泛的视觉变异性的庞大而多样的数据集上进行了训练。 该模型对单个切片进行分割，分别提取左，右肺，气袋，肿瘤和积液。 气管将不包括在肺分割中。 U-net（LTRCLobes）：该模型是在数据集的子集上训练的。 该模型对单个肺叶进行分割，但是当存在密集的病理或每个切片都不可见裂痕时，其性能有限。 U-net（LTRCLobes_R231）：这将运行R231和LTRCLobes模型并融合结果。 来自LTRCLobe的假阴性将由R231预测填充，并映射到邻居标签。 LTRCLobe的误报将被删除。 融合过程的计算量很大，视数据和结果而定，每卷可能要花费几分钟。 两种模型的应用实例。 左： U-net（R231），将区分左肺和右肺，并包括非常密集的区域，例如积液（第三排），肿瘤或严重纤维化（第四排）。 右： U-net（LTRLobes）将区分肺叶，但不包括非常密集的区域。 LTRCLobes_R231将融合LTRCLobe和R2

随机森林图像matlab代码使用CNN的肺癌亚型分类 入门 演示版 random_forest.ipynb 包含什么 癌症亚型分类管道的Python源代码 MATLAB源代码，用于从3D原始图像生成2D联合直方图 二维关节直方图（.csv）的肺癌数据集 可视化每一步的检测管线 在自己的数据集上进行训练的示例 依存关系 Python 3.4 TensorFlow 1.3 凯拉斯2.0.8 用法 结果 接触 查看我的学士论文：基于多模态CT的2D联合直方图的肺癌亚型深度学习分类器，以获取有关此工作的更多详细信息。

使用Python检测肺癌 数据集 癌症影像档案库（TCIA） 代码文件 代码以模块化方式编写 PredictCancer.py：用于测试图像的最终程序 NeuralNetwork.py：使用SKlearn的MLP学习功能并使用pickle保存权重 LungCancerTrain.py：所有用于模型训练的图像处理技术和代码均在此处编写 Dataset_create.py：用于创建正例和负例的文件夹并以所需格式命名图像 两种类别的测试用例图像，并连同其终端输出一起添加到存储库中，以供参考 依存关系 Python3，OpenCV-cv2，泡菜，数据文件库 输出 正面案例 否定情况 这项工作是与我的朋友Tarun Bhargav Sriram合作完成的，该项目是数字图像处理选修课的一个项目。 有关项目的任何疑问，请联系

这是包含肺腺癌单细胞数据集分析的存储库 入门 克隆 repo 从下面的链接下载 Data_input 文件夹到 repo： ://drive.google.com/drive/folders/1sDzO0WOD4rnGC7QfTKwdcQTx3L36PFwX?usp=sharing 脚本 导入和创建 Seurat 对象 01_Import_data_and_metadata.Rmd ：导入原始数据和元数据。 此 scipt 的输出保存为"S01_Data_and_metadata.RData" 。 02_Create_Seurat_object.Rmd ：从脚本 01 导入 .RData 对象。创建初始 Seurat 对象并执行初始质量控制。 最终输出对象保存为"S02_Main_Seurat_object_filtered.RData" 。 02.1_Create_Seurat_o

肺癌检测与分割 运行Main.m并选择图像的路径。