医疗影像数据+CV数据集

乳腺MG数据获取:https://blog.csdn.net/dcxhun3/article/details/52173925

一些常用图像数据库总结：https://blog.csdn.net/JIEJINQUANIL/article/details/50341765

医疗影像论文汇总：https://cloud.tencent.com/developer/article/1064590

1、肺结节数据库LIDC-IDRI：

CSDN数据库介绍：http://blog.csdn.net/dcxhun3/article/details/54289598

数据库网址：https://wiki.cancerimagingarchive.net/display/Public/LIDC-IDRI

2、乳腺图像数据库DDSM MIAS

数据库介绍(DDSM SQL Data Base):http://deckard.mc.duke.edu/ddsm_sql/book1.html

图片格式为LJPEG需要使用对应的压缩方法对其进行解压，目前找到了xMedcon，但是不太会用，打不开相应的文件，也可能是不是使用这个软件压缩的。不过这个软件可以用来转换大部分的医学图像。matlab社区上有how to open lossless jpeg file，但是其中有一些答案提供的网址不能打开，可能是没有科学上网？？

数据库网址：http://figment.csee.usf.edu/Mammography/Database.html

MIAS MiniMammographic Database(来自researchgate的一个问答)：322例，尺寸：1024*1024pixel，图像数据是PGM格式，找到一个介绍和读取的博客代码使用的c，matlab问答相关

小型乳房X光数据库：http://peipa.essex.ac.uk/pix/mias/all-mias.tar.gz

这也是一个乳腺的图像数据库，但是现在还没有搞清楚下载、格式之类的：https://www.repository.cam.ac.uk/handle/1810/250394?show=full

3、医学图像问答（目前还没搞清楚干嘛的，好像是一个网站的问答。暂存）

网址：http://www.dclunie.com/medical-image-faq/html/index.html

4、左心室MRI图像

Cardiac MRI Dataset： http://www.cse.yorku.ca/~mridataset/

右心室MRI数据RVSC

右心室分割挑战赛（2012）：http://pagesperso.litislab.fr/cpetitjean/mr-images-and-contour-data/

5、Kaggle比赛网址：https://www.kaggle.com/

CT Medical Image Analysis Turorial这个比赛好像是分析CT纹理与患者年龄的关系。

肺癌分类比赛：https://www.kaggle.com/c/data-science-bowl-2017/data

分割肺癌(Kaggle)：https://www.kaggle.com/kmader/finding-lungs-in-ct-data

DICOM文件打开使用Sante DICOM Free，paraview也可以打开，Mango网站：https://idoimaging.com/programs/124；anteDicom官方下载网址：http://www.santesoft.com/win/sante-dicom-viewer-free/download.html

6、Cancer Imaging Archive这个网站可以获得一些癌症的数据库，下载下来是jnpl文件需要使用jre环境进行下载：

http://www.cancerimagingarchive.net/

7、OsiriX数据库：各种医学数据，好像得注册收费的样子，还没搞清楚

http://www.osirix-viewer.com/resources/dicom-image-library/

8.Github上哈佛 beamandrew机器学习和医学影像研究者-贡献的数据集

https://github.com/beamandrew/medical-data

9.ISBI（生物医学成像国际研讨会）

https://grand-challenge.org/All_Challenges/

10.NITRC的IBSR数据集

 

 

一、医疗+深度学习

医疗论文期刊/会议：

• Medical Image Analysis (MedIA)（http://t.cn/RWAEWNJ）
• IEEE Transaction on Medical Imaging (IEEE-TMI)（https://ieee-tmi.org/）
• IEEE Transaction on Biomedical Engineering (IEEE-TBME)（https://tbme.embs.org/）
• IEEE Journal of Biomedical and Health Informatics (IEEE-JBHI)（http://t.cn/RWAnkiL）
• International Journal on Computer Assisted Radiology and Surgery (IJCARS)（http://t.cn/zOTPHNL）
• International Conference on Information Processing in Medical Imaging (IPMI)
• International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI)
• International Conference on Information Processing in Computer-Assisted Interventions (IPCAI)
• IEEE International Symposium on Biomedical Imaging (ISBI)

  3.1，深度学习技术：

• NN: Neural Networks
• MLP: Multilayer Perceptron
• RBM: Restricted Boltzmann Machine
• SAE: Stacked Auto-Encoders
• CAE: Convolutional Auto-Encoders
• CNN: Convolutional Neural Networks
• RNN: Recurrent Neural Networks
• LSTM: Long Short Term Memory
• M-CNN: Multi-Scale/View/Stream CNN
• FCN: Fully Convolutional Networks

• 3.2，成像方式：

• US: Ultrasound
• MR/MRI: Magnetic Resonance Imaging
• PET: Positron Emission Tomography
• MG: Mammography
• CT: Computed Tompgraphy
• H&E: Hematoxylin & Eosin Histology Images
• RGB: Optical Images
• Table of Contents

5.1，Auto-Encoders/ Stacked Auto-Encoders

5.2，Convolutional Neural Networks

AggNet: Deep Learning From Crowds for Mitosis Detection in Breast Cancer Histology Images（http://t.cn/RWA1lmT） Fast Convolutional Neural Network Training Using Selective Data Sampling: Application to Hemorrhage Detection in Color Fundus Images（http://t.cn/RWA1Rma） 5.3，Recurrent Neural Networks

5.4，Generative Adversarial Networks

Medical Applications Annotation

Deep learning of feature representation with multiple instance learning for medical image analysis（http://t.cn/RWA1FkV） AggNet: Deep Learning From Crowds for Mitosis Detection in Breast Cancer Histology Images （http://t.cn/RWABUT7） Classification

Multi-scale Convolutional Neural Networks for Lung Nodule Classification（http://t.cn/RWADf0A） Predicting Alzheimer’s disease: a neuroimaging study with 3D convolutional neural networks （http://t.cn/RWADSK4） Automatic Feature Learning to Grade Nuclear Cataracts Based on Deep Learning （http://t.cn/RWADYxw） Quantifying Radiographic Knee Osteoarthritis Severity using Deep Convolutional Neural Networks （http://t.cn/RWADk5G） A Deep Semantic Mobile Application for Thyroid Cytopathology （http://t.cn/RWAko5r） Alzheimer’s Disease Diagnostics by a Deeply Supervised Adaptable 3D Convolutional Network （http://t.cn/RWAkcoj） Multi-resolution-tract CNN with hybrid pretrained and skin-lesion trained layers （http://t.cn/RWAkWVF） Towards Automated Melanoma Screening: Exploring Transfer Learning Schemes （http://t.cn/RWAkEnF） Pulmonary Nodule Detection in CT Images: False Positive Reduction Using Multi-View Convolutional Networks （http://t.cn/RWAF7qb） 3D Deep Learning for Multi-modal Imaging-Guided Survival Time Prediction of Brain Tumor Patients （http://t.cn/RWAkkPX） Computer-Aided Diagnosis with Deep Learning Architecture: Applications to Breast Lesions in US Images and Pulmonary Nodules in CT Scans （http://t.cn/RWAFyHc） Unsupervised deep learning applied to breast density segmentation and mammographic risk scoring （http://t.cn/RWAFILN） Spectral Graph Convolutions for Population-based Disease Prediction （http://t.cn/RWAFohq） SurvivalNet: Predicting patient survival from diffusion weighted magnetic resonance images using cascaded fully convolutional and 3D convolutional neural networks （http://t.cn/RWAFYuV） Detection / Localization

3D Deep Learning for Efficient and Robust Landmark Detection in Volumetric Data （http://t.cn/RWAstTB） Standard Plane Localization in Fetal Ultrasound via Domain Transferred Deep Neural Networks （http://t.cn/RWAs6xr） Automated anatomical landmark detection ondistal femur surface using convolutional neural network （http://t.cn/RWAsYbY） Automatic Fetal Ultrasound Standard Plane Detection Using Knowledge Transferred Recurrent Neural Networks （http://t.cn/RWAsn1T） Regressing Heatmaps for Multiple Landmark Localization using CNNs （http://t.cn/RW2vv2L） An artificial agent for anatomical landmark detection in medical images （http://t.cn/RW2vy2P） Real-time Standard Scan Plane Detection and Localisation in Fetal Ultrasound using Fully Convolutional Neural Networks （http://t.cn/RW2vft1） Recognizing end-diastole and end-systole frames via deep temporal regression network （http://t.cn/RW2vrQW） Improving Computer-Aided Detection Using Convolutional Neural Networks and Random View Aggregation Neural Networks （http://t.cn/RW2vrQW） Automated detection of pulmonary nodules in PET/CT images: Ensemble false-positive reduction using a convolutional neural network technique Neural Networks （http://t.cn/RW2hTcw） Automatic Detection of Cerebral Microbleeds From MR Images via 3D Convolutional Neural Networks （http://t.cn/RW2Pu8C） Self-Transfer Learning for Fully Weakly Supervised Lesion Localization （http://t.cn/RW27xd4） Fast Convolutional Neural Network Training Using Selective Data Sampling: Application to Hemorrhage Detection in Color Fundus Images （http://t.cn/RWA1Rma） Segmentation

Efficient multi-scale 3D CNN with fully connected CRF for accurate brain lesion segmentation （http://t.cn/RW27lTz） Automatic Liver and Lesion Segmentation in CT Using Cascaded Fully Convolutional Neural Networks and 3D Conditional Random Fields （http://t.cn/RW27n2Y） Automatic Liver and Tumor Segmentation of CT and MRI Volumes using Cascaded Fully Convolutional Neural Networks （http://t.cn/RibGTxx） SurvivalNet: Predicting patient survival from diffusion weighted magnetic resonance images using cascaded fully convolutional and 3D convolutional neural networks （http://t.cn/RWAFYuV） q-Space Deep Learning: Twelve-Fold Shorter and Model-Free Diffusion MRI （http://t.cn/RW2zfRN）(Section II.B.2) Registration

An Artificial Agent for Robust Image Registration （http://t.cn/RW2zWw4） Regression

Automated anatomical landmark detection ondistal femur surface using convolutional neural network （http://t.cn/RWAsYbY） q-Space Deep Learning: Twelve-Fold Shorter and Model-Free Diffusion MRI （http://t.cn/RW2zfRN）(Section II.B.1）

作者：work_coder 来源：CSDN 原文：https://blog.csdn.net/weixin_41108334/article/details/83930975 版权声明：本文为博主原创文章，转载请附上博文链接！

二、CV数据 一些常用的图像数据库总结

https://blog.csdn.net/JIEJINQUANIL/article/details/50341765

三、乳腺：MIAS MiniMammographic Database

MIAS MiniMammographic Database(来自researchgate的一个问答)：322例，尺寸：1024*1024pixel，8位，图像数据是PGM格式

数据库（点击即下载）：http://peipa.essex.ac.uk/pix/mias/all-mias.tar.gz

这也是一个乳腺的图像数据库，但是现在还没有搞清楚下载、格式之类的：https://www.repository.cam.ac.uk/handle/1810/250394?show=full

1、PGM图片格式和代码

PGM是Portable Gray Map的缩写，它是灰度图像格式中一种最简单的格式标准。另外两种与之相近的图片格式是PBM和PPM，它们分别对应着黑白图像和彩色图像。PGM的数据存放方式相比于JPG来说是非常简单的，因为它不进行数据压缩，自然的PGM的图片的大小也就比较大了。一个120*128 8-bit的灰度图像，PGM的大小是44kb，而将这个图片转化为JPG格式后，大小仅为4kb。所以，在日常各种网络应用中你是很难见到PGM图片的，它太浪费流量了。