这是一个python的肺结节分割代码，是我最近修改过的代码，希望给初学者提供参考，为大家提供思路。欢迎大家下载参考。希望可以给大家帮助

多任务学习甲状腺区域的甲状腺结节分割Prior 介绍 超声图像中的甲状腺结节分割是一项有价值且具有挑战性的任务，对于甲状腺癌的诊断具有重要意义。 由于缺乏对甲状腺区域感知的先验知识，超声图像固有的低对比度以及超声视频不同帧之间的复杂外观变化，直接应用语义分割技术的现有甲状腺结节自动分割算法很容易会误解非甲状腺区域为结节。 在这项工作中，我们提出了甲状腺区域先导特征增强网络（TRFE-Net）用于甲状腺结节分割。 为了促进甲状腺结节分割的发展，我们贡献了TN3k：甲状腺结节图像的开放式访问数据集，并带有高质量的结节面罩标签。 我们提出的方法在TN3k上进行了评估，并且与现有的最新算法相比具有出色的性能。 建筑学 拟议的TRFE-Net用于甲状腺结节分割的概述。 建议的RPG模块概述。 执照 此代码根据MIT许可证发布（有关详细信息，请参阅LICENSE文件）。 引用 如果您发现这项工作

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

我们提出了一种使用平均厚度不同的三通道样本对肺结节进行假阳性减少的新方法。 一个三通道样本包含一个以候选点为中心的色块以及该候选点上方和下方的第k个切片的两个色块。 三通道样本包含丰富的肺结节空间背景信息，并且可以在较低的计算和存储要求下进行训练。 卷积神经网络（CNN）被构建和优化为我们研究中的候选特征提取器和分类器。 提出了一种融合方法，用于融合每个候选的多个预测结果。 我们的方法报告说，在LUNA16 Challenge进行的888 CT扫描中，每次扫描4次和8次假阳性时，灵敏度分别为84.8％和91.4％。 实验结果表明，我们的方法显着减少了肺结节检测中的假阳性。