MICCAI2022|CLFC基于对比学习的多模态脑肿瘤分割与单模态正常脑图像的特征比较MultimodalBrainTumorSegmentationUsingContrastiveLearningBasedFeatureComparisonwithMonomodalNormalBrainImages摘要已经提出了许多基于深度学习（DL）的脑肿瘤分割方法。他们中的大多数人强调阐述深度网络的内部结构，以增强学习肿瘤相关特征的能力，而其他有价值的相关信息，如正常的大脑外观，往往被忽视。受放射科医生在识别肿瘤区域时经常被训练为与正常组织进行比较这一事实的启发，在本文中，我们提出了一种新的脑肿瘤分割

实验要求        基于威斯康辛乳腺癌数据集，采用决策树的方法进行肿瘤预测。【实验要求】1.加载sklearn自带的威斯康星乳腺癌数据集，探索数据。2.进行数据集分割。3.配置决策树模型。4.训练决策树模型。5.模型预测。6.模型评估。7.参数调优。可以根据评估结果，对模型设置或调整为更优的参数，使评估结果更准确。实验过程1.对该题目的理解        本项目是对美国威斯康星州的乳腺癌诊断数据集进行分类，该数据集包括569个病例的数据样本，每个样本具有30个特征值，而样本共分为两类：分别是恶性和良性，我们要利用决策树算法创建模型，训练模型，并对该模型进行评估和预测，最后再进行参数调优，根

1.介绍针对在使用传统图像处理工具时可能遇到的困难，深度学习已成为医疗保健领域的主要解决方案。因为医学图像比标准图像更难处理（高对比度、人体的广泛变化……）深度学习用于分类、对象检测，尤其是分割任务。在分割方面，深度学习用于分割人体器官，如肝脏、肺和……或分割来自身体不同部位的肿瘤。医学图像有很多不同的类型，例如MRI（主要用于脑肿瘤分割）、CT扫描、PET扫描等。本文将重点介绍CT扫描，但同样的操作也适用于其他类型。所以我们知道执行深度学习任务需要许多步骤，其中一个是数据预处理，这是我们在开始训练之前必须做的第一件事。这是本文的主题；我们将讨论可用于执行此预处理的工具。准备数据因任务而异；例

以FFANet为主干，加入分类的分支，将模型扩展为多任务图像分割框架，设计了用于分类和分割的联合损失函数。FFANet+MTL1、FFANet和分割分支FFANet作为骨干网络，作为对VoVNet的重新设计和优化，FFANet在骨干网中加入了残差连接，使VoVNet可以学习更多的特性。设计了一种特殊的特征融合机制来有效地聚合多尺度特征。最后，在上采样阶段，引入混合的注意力机制来细化分割结果2、分支分类对于分类分支，它由一个全局平均池化(GAP)层和一个全连接层组成。3、联合损失函数对于分类任务，使用交叉熵(cross-entropy,CE)损失函数:对于分割任务，使用dice损失函数：最后加权

通过驱动浏览器爬取OncoKB数据库中"基因——肿瘤——靶向药物"等信息。1.安装Chrome浏览器，下载并配置ChromeDriver，将其加入到环境变量中。下图方框所示为需要提取的某个基因的相关信息。由于此页面经JavaScript动态渲染过，不适宜直接抓取，所以通过驱动浏览器抓取信息。2.准备需要抓取的基因集list文件gene_list.txt。每行一个GeneSymbol，内容如下：3.通过python的webdriver包驱动Chrome浏览器，通过BeautifulSoup包得到网页信息，然后提取需要的信息。代码如下：importtime,random,osfromqueueim

目录一.语义分割二.数据集三.数据增强图像数据处理步骤CT图像增强方法：windowing方法直方图均衡化获取掩膜图像深度在肿瘤CT图中提取肿瘤保存肿瘤数据 四.数据加载数据批处理​编辑​编辑数据集加载  五.UNet神经网络模型搭建     单张图片预测图一.语义分割第三代图像分割：语义分割        图像分割（ImageSegmentation)是计算机视觉领域中的一项重要基础技术。图像分割是将数字图像细分为多个图像子区域的过程，通过简化或改变图像的表示形式，让图像能够更加容易被理解。更简单地说，图像分割就是为数字图像中的每一个像素附加标签，使得具有相同标签的像素具有某种共同的视觉特性

BrainTumorSegmentation(BraTS)Challenge2021Homepagegithub项目地址brats-unet:UNetforbraintumorsegmentationBraTS是MICCAI所有比赛中历史最悠久的，到2021年已经连续举办了10年，参赛人数众多，是学习医学图像分割最前沿的平台之一。1.数据准备简介：​比赛方提供多机构、多参数多模态核磁共振成像（mpMRI）数据集，包括训练集（1251例）和验证集（219例）以及测试集（530例），一共2000例患者的mpMRI扫描结果。其中训练集包含图像和分割标签，验证集和测试集没有分割标签，验证集被用于公共排

BrainTumorSegmentation(BraTS)Challenge2021Homepagegithub项目地址brats-unet:UNetforbraintumorsegmentationBraTS是MICCAI所有比赛中历史最悠久的，到2021年已经连续举办了10年，参赛人数众多，是学习医学图像分割最前沿的平台之一。1.数据准备简介：​比赛方提供多机构、多参数多模态核磁共振成像（mpMRI）数据集，包括训练集（1251例）和验证集（219例）以及测试集（530例），一共2000例患者的mpMRI扫描结果。其中训练集包含图像和分割标签，验证集和测试集没有分割标签，验证集被用于公共排