YOLOv8检测LUNA16肺结节实战（一）：数据预处理代码

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

肺实质提取后转为PASCAL VOC格式，共1186张结节图片和标签

用LUNA16数据集每张CT图保存结节上下三张保存为jpg格式图片，根据Annotations生成xml标注文件，另外在肺实质图像上画出结节所在位置用于预测时对比

用于LUNA16数据集肺结节的预处理，将mhd文件转换为npy文件，便于送入模型训练，内含一个简单的unet模型，可以用来训练。

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

针对传统计算机辅助检测系统中肺结节检测存在大量假阳性的问题,提出一种基于三维卷积神经网络的肺结节识别方法。首先,将传统二维卷积神经网络扩展为三维卷积神经网络,充分挖掘肺结节的三维特征,增强特征的表达能力;其次,将密集连接网络与SENet相结合,在加强特征传递和复用的同时,通过特征重标定自适应学习特征权重;另外,引入focal loss作为网络的分类损失函数,提高对难样本的学习。在LUNA16数据集上的实验结果表明:与当前的主流深度学习算法相比,所提网络模型在平均每组CT图像中假阳个数为1和4时的检出率达到了0.911和0.934,CPM得分为0.891,优于大部分主流算法。

卷 积 神 经 网 络 的 语 义 分 割 模 型 未 有 效 利 用 特 征 权 重 信 息 ，导 致 在 医 学 图 像 复 杂 场 景 中 分 割 边界出现欠分割现象。针对该问题，基于融合自适应加权聚合策略提出一种改进的 U-Net++网络，并将其 应 用 于 电 子 计 算 机 断 层 扫 描 影 像 肺 结 节 分 割 。 该 模 型 首 先 在 卷 积 神 经 网 络 中 提 取 出 不 同 深 度 特 征语义级别的信息，再结合权重聚合模块，自适应地学习各层特征的权重，然后将学习得到的权重加载到各个特征层上采样得到的分割图以得到最终的分割结果。在 LIDC 数据集和重庆大学附属肿瘤医院肺部 电 子 计 算 机 断 层 扫 描 数 据 集 上 进 行 了 分 割 实 验 ，所 提 方 法 的 交 叉 比 在 两 个 数 据 集 上 分 别 可 达 到80.59% 和 87.40%、骰子系数分别可达到 88.23% 和 90.83%。相比 U-Net 和 U-Net++方法，该算法有效提升了图像分割性能。本文方法能在肿瘤微小细节上实现精确分割 ，较好地解决了肺结节

使用pytorch搭建分类网络，针对Luna16数据集生成的疑似肺结节进行分类，实现假阳性剔除。其样本集保存为.Mat的形式（数据+类别），固定大小为24*40*40。 注意!!!!!原始getMat.py、traindataset.py有误（有bug），因为csdn无法修改资源，详情见https://blog.csdn.net/qq_24739717/article/details/101034728

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。