神经网络 乳腺癌数据集的神经网络，可产生概率并对新患者进行分类。 训练数据 该模型是使用699例乳腺癌患者的数据集构建的。 数据集经过归一化和清洗，最终使500名患者接受了培训和测试的最终数据集。 共有500例患者，其中262例（52.4％）患有良性肿瘤，238例（47.6％）患有恶性肿瘤。 为了进行训练，使用了80％的数据，其中40％是良性肿瘤，40％是恶性肿瘤，其余20％用于测试。 在这20％中，12.4％来自良性肿瘤，而7.6％来自恶性肿瘤。 怎么跑 克隆存储库 启动你的服务器 现在，您可以访问神经网络预测的结果并查看模型训练的性能图。 内容

WBPC康纳斯星州乳腺癌数据集，包括诊断数据集与预后诊断数据集，源数据，可以作为KNN、SVM等机器学习的练习数据使用

逻辑回归预测良性和恶性乳腺肿瘤实现二分类（使用 scikit-learn 和 XGBoost 两种方式）,可扩展应用到小样本数据的故障诊断领域二分类问题 # 使用逻辑回归预测乳腺肿瘤是良性的还是恶性的 # 数据集为乳腺癌数据集，通过细胞核的相关特征来预测乳腺肿瘤为良性/恶性，这是一个非常著名的二分类数据集 # 数据集包含569个样本，其中有212个恶性肿瘤样本，357个良性肿瘤样本 # 共有32个字段，字段1为ID，字段2为label，其他30个字段为细胞核的相关特征 # scikit-learn实现逻辑回归 # XGBoost 实现逻辑回归 # XGBoost在预测结果上和scikit-learn有些差别，XGBoost的预测结果是概率，而scikit-learn的预测结果是0或1的分类，需要用户自己对其进行转化，程序能够实现scikit-learn 和XGBoost的概率输出和0或1分类输出 # 使用评估指标对分类和预测结果进行评估， 实现scikit-learn 和 XGBoost 两种逻辑回归方式对比分析

多视图深度卷积神经网络进行高分辨率乳腺癌筛查 介绍 这是用于分类的模型的实现，如我们的论文。 该实现使用户可以通过将我们的预训练CNN模型应用于具有四个视图的标准筛查乳房X线检查中来获得BI-RADS预测。 作为此存储库的一部分，我们提供了一个示例考试（在images目录中）。 该模型在TensorFlow和PyTorch中均实现。 先决条件 巨蟒（3.6） TensorFlow（1.5.0）或PyTorch（0.4.0） NumPy（1.14.3） 科学（1.0.0） 枕头（5.1.0） 数据 要使用预训练模型，输入必须包含四张图像，每个视图一个（L-CC，L-MLO，R-CC，R-MLO）。 每个图像的大小必须为2600x2000像素。 提供的样本检查中的图像已经被裁剪为正确的尺寸。 如何运行代码 可用选项位于文件birads_prediction_tf.py或birads_p

社会上的主要疾病是全世界女性的乳腺癌，其中27％的女性患有癌症。 机器学习分类器适合医师以低成本和时间进行完美诊断。 分类器的比较性能分析需要获得准确的诊断，因为医学数据由本质上嘈杂的高维数据组成。 在这项研究中，将不同的分类器机器学习技术应用于乳腺癌数据集。 印度的癌症发生率在30年代初有所增加，但在50-64岁时达到最高点。 根据NICPR报告，在28名妇女中，有一名妇女患了乳腺癌。 但是这种比例将改变城市人口，其中22名妇女中有1名妇女受到影响。 在农村，该比例增加到每60名妇女中增加1名？ 通过早期诊断和治疗可以提高患者的治愈率，这可以延长他们的寿命。 在这里，我们已经建立了一个模型来识别癌细胞是良性还是恶性的。 我们使用了机器学习技术分类器。 在这里，我们必须确定一种在不同的手术条件和数据集下预测疾病的合适技术。 结果分析表明，SVM被认为是识别不同性能矩阵（例如灵敏度，准确性，误差和特异性）的合适选择。

matlab代码影响乳房密度 使用Dixon序列分割和测量MRI中的乳房实质组织的源代码，该Dixon序列包含仅水和仅脂肪的加权图像。 源代码 该项目最初是在Matlab 2011a中编写的。 某些部分正在迁移到Python3。要从下面提到的论文中复制结果，请使用原始的Matlab源代码。 /matlab子文件夹包含所有Matlab代码 /python子文件夹包含已经迁移到Python 3的管道部分。 外部程序 管道依赖于需要安装的外部程序，并且是环境路径的一部分。 测试版本：1.0.20190410 测试版本：2.3.4 测试版本：20180328，v2.3.9 测试版本：5.0.11，6.0.4 管道 处理管道包括三个步骤： 预处理：将dicom转换为nifti，重新定位图像，进行偏置场校正并组合图像 乳房分割：使用基于模板的注册方法从背景和其他身体部位中分割乳房。 首先，最佳匹配模板由仿射配准确定。 然后，非严格地注册最佳匹配模板以匹配对象身体和乳房的形状。 分割乳房的实质和脂肪组织，并计算汇总指标。 用法（Matlab） 将项目的所有文件夹添加到Matlab搜索路径。 通过将外

乳腺癌检测数据集：数据集共有569个样本，每个样本有30个特征，其中357个阳性，212个阴性。

根据提供的ERα拮抗剂信息（1974个化合物样本，每个样本都有729个分子描述符变量，1个生物活性数据，5个ADMET性质数据），构建化合物生物活性的定量预测模型和ADMET性质的分类预测模型，从而为同时优化ERα拮抗剂的生物活性和ADMET性质提供预测服务。

chapter28 支持向量机的分类——基于乳腺组织电阻抗特性的乳腺癌诊断

2021年华为杯全国研究生数学建模竞赛D题代码，抗乳腺癌候选药物优化建模，在对数据进行预处理和关联性分析后，首先通过7种不同的降维方法筛选主要分子描述符；接着对于每种降维方法使用6类回归算法，并引入集合算法Stacking模型。最终得到不错的评估效果。基于python实现，并将每一步的过程都单独做成jupyter文件，方便使用学习。