使用PyTorch来进行肺癌早期检测：1、项目、数据集介绍

最近在阅读《PyTorch深度学习实战》这本书，这本书的第二部分是一个关于肺癌早期检测的项目，接下来的时间将对这个项目进行一个复现，并一起探究一些书中未讲解或有疑问的一些问题。

第1章比较简单，主要是介绍一下这个项目是做什么，以及代码、数据集的下载地址。

准备工作

1、CT扫描

可以看出CT扫描的数据为一个三维图像，体素为三维图像上的最小分割单位

2、体素

体素是体积元素（Volume Pixel）的简称，包含体素的立体可以通过立体渲染或者提取给定阈值轮廓的多边形等值面表现出来。一如其名，是数字数据于三维空间分割上的最小单位，体素用于三维成像、科学数据与医学影像等领域。概念上类似二维空间的最小单位——像素，像素用在二维计算机图像的影像数据上。有些真正的三维显示器运用体素来描述它们的分辨率，举例来说：可以显示512×512×512体素的显示器。

解释来自百度，后面我们的数据集就是以体素为单位

一、代码与数据集

• 原书代码可以去官网进行下载：

《PyTorch深度学习实战》原书代码

• 数据集下载地址：LUNA16

luna16数据集下载

二、项目的解决方案

项目为根据CT影像来判断受测人员是否患有肺癌。

为了便于教学，本书将肺癌预测分拆成了5部分，一步步的实现：数据加载、分割、分组、分类以及结节分析和诊断。

• 步骤1：加载原始CT扫描数据，并将其转换为可以使用PyTorch处理的数据格式。将原始数据转换为可以使用PyTorch处理的格式是你面对任何项目要执行的第1步。
• 步骤2：使用PyTorch实现一种称为分割的技术来识别肺部潜在肿瘤的体素。这会让我们把注意力都放在肺部潜在肿瘤上，而忽略大量无关的解剖结构。
• 步骤3：将所关注的体素分组成块，即候选结节。
• 步骤4：利用三维卷积将候选结节分为实际结节或非结节。
• 步骤5：使用单个结节的联合分类来诊断患者，对上述的结节进行判断，是否为恶性肿瘤，给出诊断报告。

后面按照本书的讲解顺序为：1-4-2-3-5。