【新智元导读】NIH临床中心最新公布了一个迄今规模最大的多类别、病灶级别标注临床医疗CT图像开放数据集DeepLesion，研究人员在此基础上训练深度神经网络，创建了一个具有统一框架的大规模通用病灶检测器，能够更准确、更自动地衡量患者体内所有病灶的大小，实现全身范围的癌症初步评估。
由于深度学习任务往往依赖于大量的标注数据，医疗图像的样本标注又会涉及到较多的专业知识，标注人员需要对病灶的大小、形状、边缘等信息进行准确的判断，甚至需要经验丰富的专家进行两次以上的评判，这增加了深度学习在医疗领域应用的难度。
允中 发自 大理 量子位 报道 | 公众号 QbitAI 对于仍旧放不下科研工作的少年，现在又有福利了。 刚刚（好吧，其实是前两天），美国国立卫生研究院（NIH）临床中心宣布：一份堪称最大规模的胸部X
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。该数据是由美国国家癌症研究所(National Cancer Institute)发起收集的，目的是为了研究高危人群早期癌症检测。 该数据集中，共收录了1018个研究实例。对于每个实例中的图像，都由4位经验丰富的胸部放射科医师进行两阶段的诊断标注。在第一阶段，每位医师分别独立诊断并标注病患位置，其中会标注三中
在AI与深度学习逐渐发展成熟的趋势下，人工智能和大数据等技术开始进入了医疗领域，它们把现有的一些传统流程进行优化，大幅度提高各种流程的效率、精度、用户体验，同时也缓解了医疗资源的压力和精确度不够的问题。
根据世界卫生组织，肺癌每年造成 1700 万人死亡，是致死率最高的癌症（死亡率超过乳腺癌、前列腺癌和结直肠癌的总和），是全球第六大死因。尽管肺癌在所有癌症中存活率最低，但如果发现得早并及早干预是可以有更多治疗机会的。然而，统计数据显示，大部分肺癌到了晚期才被诊断出来。
他们在该数据集上训练了一个深度卷积神经网络，获得了 0.85 的 F1。相关数据和代码可见于：https://github.com/UCSD-AI4H/COVID-CT
【新智元导读】NIH临床中心最新发布了一个含有超过100,000个胸部X光图像及其相应数据的数据集，免费开放，供全世界研究人员使用，这些数据将用于训练计算机学习如何检测和诊断疾病，最终辅助医生做出更好的诊断决策。 胸部X光检查是最常见而且最具成本效益的医学影像检查之一。但是，胸部X光检查的临床诊断很具挑战性，有时被认为比胸部CT成像更难诊断。过去一些有前景的工作已经被报道过，特别是最近在结核病（TB）分类方面的深度学习工作。由于只有几千张图像被用于学习，在现实世界的医疗中，在胸部X光片的所有数据设置上，实现
前天PyImageSearch博主Adrian Rosebrock发表博文展示了使用Keras库利用深度学习技术进行疟疾检测的流程，并取得了超过目前文献的最好方法，值得大家参考。（昨天52CV-医学影像群里还有一位同学说如何做医学图像方面的毕设，这篇文章真是及时雨啊）
胸部计算机断层扫描（CT）图像在对新冠肺炎（COVID-19）提供准确、快速、廉价的筛查和检测方面很有前景。
癌症图像档案 （The Cancer Imaging Archive，TCIA）是一项可以de-identify和托管可供公众下载的大量癌症医学图像的服务。
肺部疾病是威胁现代人健康的重要疾病之一，如何使用快速且廉价的方法对肺病进行诊断是医学界的重要课题。 随着深度学习方法的兴起，世界各地越来越多的研究员在尝试用深度神经网络模型对医学图像进行分析、解释，获得可靠的诊断结果。 目前规模最大的肺部X光数据库ChestX-ray14 是由NIH研究院提供的，该数据库包含 14 种肺部疾病（肺不张、变实、浸润、气胸、水肿、肺气肿、纤维变性、积液、肺炎、胸膜增厚、心脏肥大、结节、肿块和疝气）的 10 多万张 X光前视图（约42G），研究人员对数据采用NLP方法对图像进行标注，1-14类分别对应14种肺部疾病，第15类表示未发现疾病。据称，该数据库标注准确率超过90%。
文章标题：《Single-cell reconstruction of the adult human heart during heart failure and recovery reveals the cellular landscape underlying cardiac function》
现在要分享的是数据集GSE196676，关于Immune thrombocytopenia (ITP), 中文翻译可以是免疫性血小板低下症，对应发表的文章也很新，Deciphering transcriptome alterations in bone marrow hematopoiesis at single-cell resolution in immune thrombocytopenia. Signal Transduct Target Ther 2022 Oct 7;7(1):347. PMID: 36202780
---- 新智元专栏 【新智元导读】美国国立卫生研究院（NIH）的研究人员通过创建基于真实放射学影像的大型数据集，进行病变检索和匹配的研究。本文是相关研究在约翰霍普金斯大学 Sol Goldman国际会议上的演讲整理，该研究具有创新性的科学价值和临床价值。 论文地址： http://www.cs.jhu.edu/~lelu/publication/DeepLesionGraph_CVPR2018_camera_ready.pdf 本文介绍了美国国立卫生研究院（NIH）最新的一篇CVPR论文“Deep
来源 | 新智元 编辑 | 磐石 出品 | 磐创AI技术团队 【介绍】美国国立卫生研究院（NIH）的研究人员通过创建基于真实放射学影像的大型数据集，进行病变检索和匹配的研究。本文是相关研究在约翰霍普金斯大学 Sol Goldman国际会议上的演讲整理，该研究具有创新性的科学价值和临床价值。 论文地址： http://www.cs.jhu.edu/~lelu/publication/DeepLesionGraph_CVPR2018_camera_ready.pdf 本文介绍了美国国立卫生研究院（NIH）最新的
前些天我们公众号弄了一个活动，详见：春节期间单细胞转录组数据分析全免费，收到了上百个需求， 本来呢我们自己就算是春节前后14天不吃不喝不眠不休也不可能完成这么多单细胞数据处理。好在我灵机一动，想起来了前面两个月培养的一百多个在线实习生，毕竟教了他们R语言，转录组，以及单细胞转录组。 所以我写了一个还算是比较自动化的单细胞转录组数据处理代码，如果是我自己的，可以在十几分钟就完成复现文章的第一层次降维聚类分群图，比如数据集：https://www.ncbi.nlm.nih.gov/geo/query/acc.c
据国家癌症中心统计，我国每年新发肺癌约78.7万人，因肺癌死亡约63.1万人，如果这些患者都能早发现、早治疗，那么他们的寿命将会大大延长。
http://academictorrents.com/details/80ecfefcabede760cdbdf63e38986501f7becd49
既然这个捕获中性粒细胞是BD单细胞转录组的卖点，那么是不是只要是选择了这个技术就一定能能捕获到中性粒细胞呢？让我们随机看看其它比较新的文章，比如同样的2023的《Single-cell and spatial transcriptome analysis reveals the cellular heterogeneity of liver metastatic colorectal cancer》，数据 是 196,473 CD45+ immune cells from 27 samples of six CRC patients, 链接在；https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE225857
它虽然说是多样品，但是被作者整理成为了一个10x的样品的3文件格式， 所以很容易读取。接下来我们演示真正的Seurat的v5来读取多个10x的单细胞转录组矩阵。数据集在 https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE162616 可以看到作者给出来的矩阵还算是10X文件的3个标准文件，但是在每个样品下面都是3个文件，就是需要合理的修改文件名字而已：
AI 研习社按：本文由 Anthony Goldbloom 发布于 Kaggle 官方 blog，本文先是总结了 Kaggle 在 2017 年里取得的巨大成就，然后对 2018 的新工作做了展望。雷锋网 AI 研习社对本文进行了编译。Kaggler 们想知道将会发生哪些变化吗？那就赶紧过来看看吧！ 2017 年是 Kaggle 取得巨大发展的一年。这一年，除了加入 Google，我们还从一个主要关注机器学习竞赛的社区，扩展成一个更广泛的数据科学和机器学习平台。今年，我们的公开数据集的下载量和 Kaggle
在建立PDX模型时，通常是将来自患者的肿瘤组织移植到小鼠中，这种肿瘤组织中包含了患者原发癌症的细胞。因此，取样时主要涉及的是人体内的肿瘤组织，但是同时也会有小鼠细胞混合，如果拿去做单细胞转录组建库测序，得到的测序数据里面就会有两个物种。
美国国立卫生研究院（NIH）的研究人员开发了一种基于深度学习的系统来自动检测肺结节，即肺中的小的圆形或卵形增生。
参考我前面介绍过 CNS图表复现08—肿瘤单细胞数据第一次分群通用规则，这3大单细胞亚群构成了肿瘤免疫微环境的复杂。绝大部分文章都是抓住免疫细胞亚群进行细分，包括淋巴系（T,B,NK细胞）和髓系（单核，树突，巨噬，粒细胞）的两大类作为第二次细分亚群。但是也有不少文章是抓住stromal 里面的fibo 和endo进行细分，并且编造生物学故事的。
值得注意的是，有一些包其实是在GitHub上面哦，如果你网络比较差，需要自己想办法解决，如果连包读无法安装，不妨试试看我们的**马拉松授课（直播一个月互动教学） ，可以看完我们从2000多个提问互动交流里面精选的200个问答！2021第二期_生信入门班_微信群答疑整理，以及 2021第二期_数据挖掘班_微信群答疑笔记
近年来，快速发展的深度学习技术已经渗透进了各行各业，医疗方面也不例外。这篇文章我主要介绍如何使用深度学习计算机视觉方法对CT扫描中的肝脏和肝脏肿瘤进行分割。
但是留下来了一个悬念， 就是如果我们的单细胞转录组并不是10x的标准3文件，而是tsv或者csv或者txt等文本文件表达量矩阵信息，就有点麻烦了。接下来我们以2020的文章：《Single-Cell Transcriptome Analysis Reveals Dynamic Cell Populations and Differential Gene Expression Patterns in Control and Aneurysmal Human Aortic Tissue》举例说明，它的数据集是 https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE155468
目前人工智能是最火热的领域，而深度学习是人工智能中最璀璨的分支，已经在自然图像上取得了阶段性进展。今天我将分享深度学习在医学影像上的应用最近进展，这一篇主要说一下从2015年到现在深度学习在医学影像分类相关的情况。
但是仍然是有部分学徒迟迟不肯开始，觉得单细胞过于复杂，为了最大化激励大家行动起来，我们甚至承诺大家只需放开手分享，提供带有数据集的文献，我们直接帮忙写代码，让学徒们去理解和解读。手把手教学
「Microenvironment drives cell state, plasticity, and drug response in pancreatic cancer.」「Cell. 2021 Dec 9;184(25):6119-6137.e26.doi: 10.1016/j.cell.2021.11.017.」
【新智元导读】本文是美国国家研究院健康临床中心（NIH-CC）吕乐在GTC DC上的演讲整理，主题有关利用深度学习和深度神经网络进行医学影像分析。 放射医学中的深度神经网络：预防和精确医学的角度 深度
医疗保健仍然是AI应用和服务增长最快的市场之一，预计到2021年总体价值将达到66亿美元。AI系统可以分析超声波扫描，检测眼部疾病，并加快X射线和计算机断层扫描（CT）扫描的分割速度。而Nvidia则致力于走在行业前列。
上一篇给大家介绍了深度学习在医学影像上关于图像重建及后处理，图像标注，图像配准，图像超分辨率和回归的应用，这一篇我将继续分享深度学习在分割上的应用。
全球抗疫进行中。除了医务人员们争分夺秒，全球数据科学家和人工智能专家们也联合了起来，希望通过数据分析和技术的力量争取更多时间。
大数据文摘作品 编译：姜范波 吴恩达团队又有新动态！北京时间11月16日，吴恩达连发两条推文，称“放射科医生应该担心他们会丢掉工作了！最新突破——利用胸部X光片，我们可以用深度学习方法诊断肺炎，在这点上，算法做得比人类医生好。论文已发布在arXiv上。” 关注大数据文摘微信公众号，在后台对话框内回复“肺炎”，即可下载这篇论文拜读啦！ 论文中用到了CheXNet算法，它可以诊断14种病症，在肺炎诊断方面，比放射科专家单独诊断的准确率更高。 图：放射科医生Matthew Lungren（左）与研究生Jeremy
可以看到其关联的文章是：Simultaneous miRNA and mRNA transcriptome profiling of glioblastoma samples reveals a novel set of OncomiR candidates and their target genes. Brain Res 2018 Dec 1;1700:199-210. PMID: 30176243
文章标题：《A single-cell atlas of the multicellular ecosystem of primary and metastatic hepatocellular carcinoma》
虽然他们都有超级棒的网页工具，但是我们是生信工程师，还是习惯了自己写代码来批量操作，所以就有配套的R包：cgdsr 和 RTCGAToolbox，但是它们有一个弊端是需要实时联网在线根据自己的需求去下载数据，对网络环境不好的小伙伴来说是一个考验。
文章标题：《Cerebrospinal fluid immune dysregulation during healthy brain aging and cognitive impairment》
前面我们介绍了一些背景知识，主要是理解什么是DNA甲基化，为什么要检测它，以及芯片和测序两个方向的DNA甲基化检测技术。具体介绍在：甲基化的一些基础知识，也了解了甲基化芯片的一般分析流程 。（PS:如果这两个你没有阅读，本文后面的也不要看了，谢谢，请脱粉，我们不需要你）
其中，GSEXXXXXX 是该数据集的 accession number，是一个唯一标识符，用于在 GEO 数据库中检索该数据集的信息。可以通过构建类似这样的 URL，将 accession number 替换为任意感兴趣的 GSE 数据集的 accession number，以访问该数据集的主页。然后，就可以从主页中获取数据集的相关信息，包括表达量矩阵文件的下载链接等。
文章标题：《Evolution of core archetypal phenotypes in progressive high grade serous ovarian cancer》
文章标题：《Refining colorectal cancer classification and clinical stratification through a single-cell atlas》
今天将分享腹部器官分割的完整实现过程，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。
参考我前面介绍过 CNS图表复现08—肿瘤单细胞数据第一次分群通用规则，这3大单细胞亚群构成了肿瘤免疫微环境的复杂。比如 EMBO Mol Med (2021) 的文章《 Mitogen-activated protein kinase activity drives cell trajectories in colorectal cancer 》，就是如此：
当然了，仅仅是做到这些还不够，我们还需要足够的资金支持，因为绝大部分网页工具的十几年如一日的维护推广和更新，也是不小的花销。相信大家应该是看到过无数的网页工具云平台如雨后春笋般出现和消失，这一点来说，由美国国立生物技术信息中心（NCBI）维护的一个公共数据库，用于存储和共享高通量基因表达数据的GEO（Gene Expression Omnibus）就是其中的佼佼者啦，它有一个在线分析工具GEO2R，用于比较两个或多个基因表达数据集，并识别在不同条件下表达显著差异的基因。用于快速的基因表达分析，研究人员可以使用它来比较不同实验条件下的基因表达差异，例如，疾病与对照组、不同治疗组之间的差异等。
在第一讲我们详细介绍了GEO数据库的基础知识及规律，也了解了如何利用官方R包GEOquery来探索GEO数据库，当然，我的生信菜鸟团博客里面也从很多其它角度解析过它，欢迎大家自行搜索学习。总得来说，从GEO数据库里面得到感兴趣数据集的表达矩阵分成两类，最简单的就是直接下载作者归一化好的表达矩阵咯，比较麻烦的就是下载最原始芯片数据，然后根据不同的芯片来一一解读成表达矩阵。 解读GEO数据存放规律及下载，一文就够 解读SRA数据库规律一文就够 直接下载数据集作者上传的表达矩阵 通常我们默认作者对其芯片数据处理的
上一篇给大家介绍了深度学习在医学影像上分割的应用，这一篇我将分享深度学习在医学影像上检测应用。
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。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
实时音视频
对象存储
即时通信 IM
