最近在朋友圈看到两个还算是比较类似的单细胞文章： 2021年1月27日，亚实性结节(SSN)的肺腺癌 单细胞文章是：https://advances.sciencemag.org/content/7/5 亚实性结节(SSN)的肺腺癌 单细胞 ? 磨玻璃结节肺腺癌（GGN-ADC）单细胞 ? 该研究利用高通量单细胞转录组测序比较了磨玻璃结节肺腺癌（GGN-ADC，lung adenocarcinoma featured with ground glass nodules）和实性肺腺癌（SADC 亚实性结节的肺腺癌单细胞研究是：对16名CT影像学表现为SSN的肺腺癌患者的手术切除样本进行单细胞转录组测序，同时整合已发表的6例癌旁样本(nLung)和9例进展性肺腺癌样本(mLUAD)的数据，共获得
LungProcessor java实现，用了灰度threshold提取结节。 基于DICOM序列影像的肺结节检测算法研究 （电子科技大学 硕士论文） | 文献详情 & 在线阅读 2. 肺结节计算机辅助诊断系统中分割算法研究及实现（华南理工大学 硕士论文） | 文献详情 & 在线阅读 3. 肺结节图像的分析与识别（南方医科大学 博士论文） | 文献详情 & 在线阅读 4. 肺结节计算机辅助诊断算法研究 （浙江大学 硕士论文） | 文献详情 & 在线阅读 6. 基于大规模训练神经网络的肺结节识别系统（哈尔滨工业大学 硕士论文） | 文献详情 & 在线阅读 …… ---- (注：感谢您的阅读，希望本文对您有所帮助。
代金券、腾讯视频VIP、QQ音乐VIP、QB、公仔等奖励等你来拿！
Luna16肺结节自动检测项目 系列一 Luna16竞赛 肺癌是世界范围内癌症相关死亡的主要原因。在CT肺癌筛查中，需要对数百万的CT扫描进行分析，这对放射科医生来说是一个巨大的负担。 因此，该竞赛期望更多自动化和先进的计算机算法进行肺结节的筛查和检测。 肺癌筛查CT扫描分析的最重要的第一步是发现肺结节，它可能代表早期肺癌，也可能不代表早期肺癌。 数据介绍 LUNA16数据集是最大公开肺结节数据集LIDC-IDRI的子集，LIDC-IDRI数据集包括1018个低剂量的肺部CT影像。 annotations.csv:csv文件包含用于肺结节检测比赛的作为参考标准使用的注释.注释文件包含1186个结节。 sampleSubmission.csv:正确的提交文件格式范例. PS：我们会基于Luna16数据集做肺结节自动检测项目的一个系列，包括数据处理和算法模型训练，感兴趣的朋友可以持续关注~
相关文章：LIDC-IDRI肺结节公开数据集Dicom和XML标注详解 ---- 一、数据源 训练数据源为LIDC-IDRI，该数据集由胸部医学图像文件(如CT、X光片)和对应的诊断结果病变标注组成。 LIDC-IDRI 官网 [2] Lung Image Database Consortium (LIDC) Nodule Size Report [3] 肺部CT图像分析及特征提取研究 [4] 肺结节 Selective Enhancement Filters and an Automated Rule-Based Classifier (paper) [7] DICOM的常用Tag分类和说明 [8] 肺结节 影像的识别 [10] 基于分类技术的肺部CT图像识别 [11] 关于HDF文件的一点概述（HDF4,HDF5） [12] HDF5 小试——高大上的多对象文件格式 [13] 基于ct影像孤立性肺结节识别与分析 [14] 肺结节的影像诊断和鉴别诊断 (ppt) [15] 肺部结节的CT鉴别诊断 (ppt) ---- (注：感谢您的阅读，希望本文对您有所帮助。
在前面进行了肺结节数据的预处理之后，接下来开始进入肺结节检测环节。首先附上该项目的Github链接：https://github.com/Minerva-J/DeepLung。 label_mapping.从clean.npy的体数据中截取96*96*96的立体数据和制作对应的立体标签24*24*24*3*5. 5代表4+1,4代表xyzd的精确修正值，1代表用来判断前景还是背景（是否是肺结节 ） 肺结节标签包含两部分：第一部分就是70%裁剪96*96*96的立方体，但是结节随机的大致处在中心，而非都在正中心。 根据结节大小缩放corp_size（比如96要缩放1.2被，那么corp_size=80），再截取80*80*80(如果结节在边缘不足80，用170补全)，接着在缩放回96*96*96.另一种30%随机裁剪到 =0-9) mv results/res18/retrft96X/bbox/*.npy results/res18/retrft96X/val/ 之后在val/路径下会有对subset9进行测试得到的肺结节
深度学习方法 ---- 单图识别 方法简介 类同于MINST图像的识别，将CT图像分解为64x64大小的图像，根据医生标注，若图像块中包含结节的中心点(centroid)，则认为有结节，否则就没有 feature map Output layer, full connected： 16 neurons input 2 neurons output 多图识别 方法简介 对于肺结节的识别来说 ，结节在单张CT图像中是一个圆形，而真实世界中，结节可以认为是三维立体的类球体，所以如果可以用三维图形来识别，应该会提高识别的准确率。
在本文中，受真实世界肺结节分类任务的激励，我们研究了CNN在受控变化模式的合成数据集的不同分布上训练和测试时学习的特征。 损失对泛化的影响 人工肺结节数据的经验研究.pdf
题目：用于肺部CT肺结节分类的深度特征学习 ? (zhwhong)) 摘要 在这篇论文，我们提出了一个重要的在肺部CT确定肺结节的方法。 内部数据集包括3598个肺结节（恶性：178，良性：3420），它们由一个医生手动分割。 从临床角度来看，大于3mm的结节一般被称为肺结节[2]而更大的结节很容易变成癌细胞。因此，通过检测和观察结节的诊断筛选是重要的。 总体上，我们有178个恶性和3420个良性结节（Table 1）.Figure 1给出了肺结节采样的样例，它们内部和之间变化很大，给结节分类带来了挑战。
今天我分享肺结节良恶性分类的例子。分类网络现在是比较成熟的网络，而且有很多性能很好的网络模型。我采用改进版的VGG网络来实现良恶性分类。 1、肺结节良恶性分类数据 在前面的文章中已经分享了如何去准备良恶性分类数据了。一般在分类任务中，每一个类别至少要5000例标注样本时深度学习网络模型才能达到可以接受的性能。 1351例肺结节数据扩充后有55391例，549714非肺结节数据随机采样后有110000个，将两类数据合在一起并随机打乱，选择80%的数据（11万多）用来训练分类网络，20%的数据（3万）用来测试分类网络性能 2、肺结节良恶性分类网络模型 肺结节良恶性分类网络结构如下图所示。 ? 3、模型结果分析 肺结节良恶性分类训练过程——损失函数变化 ? 肺结节良恶性分类训练过程——精度函数变化 ? 红色线是首次训练，蓝色线是接着首次训练结果继续训练。
课程内容： 我为什么选择医学影像这条路 重新审视AI这个工具：我眼中的人工智能与机器学习 当前AI医学影像技术的真实现状 实战案例详解：人工智能肺结节检测与良恶性诊断 经验分享：错误、弯路、失败、技巧、 肺结节问题的诸多难点 肺结节的早期筛查是AI+医学影像的热门领域，但是，肺结节的种类繁多、形态各异、容易与肺内其他组织（例如血管等）混淆。 1.肺门区域结节 肺门区域结节是非常容易发生错误、漏检的地方，肺门区域结节和其他结构完全连接在一起的特性使得信息难以区分。王教授团队的技术核心是将多尺度信息结合，应用一种特征金字塔网络（FPN）。 通过整合多尺度信息，有效地将结节与正常组织、其它病变区分开，精确检测肺门区域结节。 2.磨玻璃结节 磨玻璃结节也是一个容易漏检的部分，相比而言，磨玻璃结节与其他区域的亮度差异较小。 3.结节临床意义分析 在结节临床意义分析方面，王立威教授指出：一个患者的整个肺里只有一个地方有结节，另一个患者有很多结节，虽然有一样的结节，但是对于两个人的意义是不同的。
在近日召开的第77届中国国际医疗器械(春季)博览会（CMEF）上，GE展示了为肺癌筛查开发的“人类大脑”——人工智能肺结节辅助诊断技术。 但是目前肺癌筛查中肺结节的早期检出仍然是个挑战：肺部CT读片量非常巨大，拥有读片及诊断能力的主治医师资源缺乏，这种情况在基层尤其严重。 作为应对肺癌挑战的低剂量CT肺癌筛查解决方案的创新和升级，GE正在与合作伙伴联手，共同就AI辅助肺结节检出与诊断进行研究，并且已经取得了阶段性成果。 ? 这次GE在CMEF上展示的人工智能肺结节辅助诊断技术，整合了AI技术及深度学习理念和工具，通过多层神经网络和神经元来模拟人类大脑实现图像识别，在诊断效率和精准度、肺结节自动识别敏感度以及检出率上都得到了大幅提升 AI辅助诊断敏感性更高，检测更快，能够自动标记出CT各层面上疑似结节的位置，与此同时还能够辅助医生判别肺结节良恶性，从而快速准确地完成肺癌筛查。
我为什么选择医学影像这条路 重新审视AI这个工具：我眼中的人工智能与机器学习 当前AI医学影像技术的真实现状 实战案例详解：人工智能肺结节检测与良恶性诊断 经验分享：错误、弯路、失败、技巧、解决方法 致 肺结节的早期筛查是AI+医学影像的热门领域，但是，肺结节的种类繁多、形态各异、容易与肺内其他组织（例如血管等）混淆。 这些问题也会考验从这个领域切入的创业者，例如肺门区域结节和磨玻璃结节的检测。 肺门区域结节是非常容易发生错误、漏检的地方，肺门区域结节和其他结构完全连接在一起的特性使得信息难以区分。王教授团队的技术核心是将多尺度信息结合，应用一种特征金字塔网络（FPN）。 通过整合多尺度信息，有效地将结节与正常组织、其它病变区分开，精确检测肺门区域结节。 磨玻璃结节也是一个容易漏检的部分，相比而言，磨玻璃结节与其他区域的亮度差异较小。 在结节临床意义分析方面，王立威教授指出：一个患者的整个肺里只有一个地方有结节，另一个患者有很多结节，虽然有一样的结节，但是对于两个人的意义是不同的。
肺癌的早期表现为无症状、易被忽视的肺结节。如果能及早发现肺结节，就能有效抑制癌症的发展。然而微小的肺结节往往难以被人眼及时、准确地发现。 在国内，一家三甲医院平均每天接待 200 例左右的肺结节筛查患者，每位患者在检查环节会产生 200-300 张左右的 CT 影像，放射科医生每天至少需要阅读 4 万张影像，任务繁重，大量消耗精力，导致误诊漏诊率上升 如今方兴未艾的人工智能技术给出了答案。 针对前文提到的肺结节检测，西安盈谷与英特尔合作，推出了医真云平台，构建出Cloud IDT服务，在其辅助下，肺结节的监测敏感度（探测率）已经达到95%。 通过人工智能识别出肺结节后，再交由医生执行进一步的诊断，使得诊断效率和精准度大幅提升。而原先人工需要的10多分钟完成的筛查缩短到仅仅5-17秒秒钟，诊断效率大大提高。 ? 同时，西安盈谷宣布，肺结节AI服务将永远免费。而后期，对于结节良恶等特性进行自动化检测也将成为医真AI的重中之重。
今天我会继续分享肺结节检测和良恶性分类挑战赛的例子。希望通过这个例子可以在如何用深度学习来辅助诊断上给大家带来一些启发。 整个过程分成三个部分：肺结节数据预处理，肺结节检测和良恶性分类。 2、肺结节数据预处理 （1）、生成肺结节Mask图像 将annotations.csv文件中的坐标和直径，以坐标为中心，直径为长，生成正方体区域，最后输出成Mask图像文件。 （4）、准备肺结节良恶性分类数据 从candidates.csv文件中读取坐标，以该坐标为中心取（48，48，48）大小区域图像做为候选肺结节图像，并根据标签值（0或1）将图像分为两类。 上述步骤完成后，肺结节图像有1351个，非肺结节图像有549714个。正负样本相差很悬殊。 数据增强处理，针对1351个肺结节图像扩充40倍（旋转，平移，翻转等），对549714个非肺结节图像进行随机采样20%的数据。
今天我会继续分享肺结节检测的例子。跟之前分割案例相似，肺结节检测也采用3DVNet网络模型来实现检测。 1、肺结节检测数据 上一篇已经说明了如何准备肺结节检测数据。 888例CT数据中有肺结节的共有601例，在601例CT数据上一共取出16475个Patch数据。我们选择80%数据用来训练，20%数据用来测试。 2、肺结节检测网络模型 肺结节检测网络结构如下图所示。 ? 3、模型结果分析 肺结节检测训练过程——损失函数变化 ? 肺结节检测训练过程——精度函数变化 ? 红色线是首次训练，蓝色线是接着首次训练结果继续训练。
在luna16肺结节良恶性分类得例子中，有位细心的朋友提出一个很好的问题。今天首先分析上一篇中存在的问题，然后给出解决方案。 1、存在的问题 上一篇的数据处理：1351例肺结节数据扩充后有55391例，549714非肺结节数据随机采样后有110000个，将两类数据合在一起并随机打乱，选择80%的数据（11万多）用来训练分类网络 这里存在的问题是一个肺结节在扩充后，不仅会在训练集里有一部分，在测试集中也会有一部分。在测试集上评价训练好的模型性能是虚高的。 2、解决方案 首先将1351例肺结节数据分成训练数据（80%）和测试数据（20%），然后对肺结节训练数据和测试数据都进行数据扩充（肺结节训练数据有44346例，肺结节测试数据有11086例），对549714 例非肺结节数据随机采样得到11万例后，再对其分成非肺结节训练数据（80%）和测试数据（20%）（非肺结节训练数据有8.8万例，非肺结节测试数据有2.2万例），最后将两类的训练数据和测试数据分别合并。
肺癌筛查的关键性第一步是对肺结节的检测，它可以表征出受检者到底有没有患有早期肺癌。很多计算机辅助检测系统(CAD)正致力于解决这个问题。 关于技术 AI科技大本营：检测肺结节的过程分为几步？是否是端到端的？ 对于肺结节检测任务，我们分析并通过实验验证two-stage有着比较明显的优势，第一步骤先给出更多的结节候选以保证召回率，第二步骤在上述结节候选中进一步去除非结节区域以改善对应的虚警率。 讯飞应该是最早将3D CNN方案应用于肺结节检测的机构之一，相对于此前主流的2D或者2.5D方案，3D模型更加适合于基于CT影像的肺结节检测任务。 当前系统从发病率最高的肺癌入手，从胸部CT图像中自动检测肺结节并判断其良恶性，对肺癌的早期诊断和筛查有重要意义。
就长海长征医院来说，医院已经实现了AI影像产品在肺结节筛查上的日常应用，肺结节良恶性模型还在研究当中，急诊的话还有脑出血和骨折模型产品，骨肿瘤模型也正在研究当中。 ? 另外，上海长征医院的医疗影像AI还具备一个进阶功能，那就是判断结节的良恶性，不过还在研发当中。 ? 人工智能现在非常火热，关于医生会不会被AI取代，刘士远教授也发表了自己的观点。 ? 另外，在肺结节领域，中检院肺结节AI检验数据库标定专家组已经完成肺结节标准数据集建设。 ? 图像标注环节也存在很多问题。 以肺结节标注过程为例，主要存在以下问题，标注者队伍混乱，资质不一；图像征象认识不统一；图像标注方法不统一；图像分割方法不统一；图像量化方法不统一。 中检院在构建肺结节标准库的过程中，从全国招了250名5年以上经验的影像科医生志愿者，对他们进行了简单的测试，使用了30例结节，结果准确率只有30%，说明了如果没有共识和基础培训，医生的标注准确率是很低的
反面例子就是：适用于所有肺结节类病人的产品、适用于所有糖网病案例的产品。」 总而言之，产品需要从影像中得到近似医生撰写的自然语言报告来最大成度降低医生工作量。 肺部结节特性列表 「如果想要生成一份 CT 结节类病灶报告，肺结节的检测（detection）和定位（localization）某种意义上都是一些预处理工作。 丁晓伟仍然以肺结节为例，「上世纪 80 年代以西门子为代表的诸多医疗影像巨头们就组织了大量人力，耗时十年，致力于以手工设计的特征来检测肺结节。 然而这样庞大的工程也仅仅能止步于肺结节的检测，无法做好更加细微的结节良恶性风险判断。 然而深度学习带来了数据驱动的可能，当模型从无数的真实肺结节样例中抽象出了无法在低维空间进行描述的特征，良恶性、乃至更多的特性描述就变得可能了。」
起初企业纷纷扎堆肺结节检测，肺结节检测固然重要，但它只是一个单任务，临床上无法形成闭环。 概括来说，AI已经从只能完成单点任务（例如优化结节检出）进阶到能完成以疾病（例如肺癌）或者部位（例如全肺CT影像诊断）为中心的诊疗流程。 国内企业则倾向于打造平台化产品，而且扎堆肺结节领域。过去一年，国内企业从国外企业身上学到了很多东西，在单项病种上越做越深入，同时也在努力提升差异化。 另一参展产品是肺部多病种辅助诊断系统，该产品基于X光、CT等多模态影像，提供胸片去骨、肺结核检测、肺结节检测等多种辅助诊断功能。 产品实现了胸片一键去除前肋、后肋及锁骨，同时完整保留肺部纹理和病灶；肺结核自动检测检出率高达98%，肺结节检出率接近99%。通过使用本产品，放射科医生能够更加准确、快速的完成肺部多病种诊断。
提供全球领先的人脸识别、文字识别、图像识别、语音技术、NLP、人工智能服务平台等多项人工智能技术。
扫码关注云+社区
领取腾讯云代金券
云服务器
测试服务 WeTest
云数据库 PostgreSQL
文件存储
SSL 证书