恶性肿瘤其实就是癌症的一种，它是由一些不正常的细胞组成的，这些细胞会不停地生长和繁殖，而且它们还会侵犯周围的正常组织，甚至通过血液和淋巴系统跑到身体其他部位去。

恶性肿瘤有以下几个特点：

1、无限制生长：它们会不停地分裂，变得越来越大。

2、侵袭性：它们会侵入周围的正常组织。

3、转移性：它们能通过血液和淋巴系统跑到身体其他部位，形成新的肿瘤。

4、异质性：肿瘤里面的细胞可能在基因和表现上各不相同。

5、血管生成：恶性肿瘤能刺激新血管的生长，来支持自己的生长。

6、免疫逃逸：它们能躲避免疫系统的监视。

恶性肿瘤根据它们起源的细胞类型，可以分为两大类：

1、上皮细胞肿瘤：这类肿瘤起源于覆盖身体表面和内部器官的上皮细胞。它们通常被称为“癌”，比如肺癌、乳腺癌、结肠癌、肝癌和胃癌等。

2、非上皮细胞肿瘤：这类肿瘤起源于不是上皮细胞的细胞，比如肌肉细胞、神经细胞或者血液细胞。这些肿瘤包括肉瘤（肌肉或结缔组织）、淋巴瘤（淋巴系统）、白血病（血液系统）和胶质瘤（脑组织）。

根据最新的数据和统计，以下是六种主要的恶性肿瘤：

1、肺癌：在全球范围内，肺癌是发病率和死亡率最高的恶性肿瘤。它不仅在男性中占据恶性肿瘤发病和死亡的首位，而且在女性中也位居前列。

2、乳腺癌：乳腺癌是女性中最常见的恶性肿瘤，在全球女性恶性肿瘤发病和死亡中占据重要位置。

3、结直肠癌（包括结肠癌和直肠癌）：结直肠癌在全球范围内的发病率和死亡率都很高，是男性和女性中常见的恶性肿瘤之一。

4、前列腺癌：前列腺癌是男性中常见的恶性肿瘤之一，尤其在发达地区，其发病率较高。

5、胃癌：胃癌在全球范围内也是常见的恶性肿瘤之一，其发病率和死亡率在全球范围内都相当高。

6、肝癌：肝癌在全球范围内的发病率和死亡率都很高，尤其在亚洲一些地区，由于乙型肝炎的高流行率，肝癌的发病率尤其高。

这些恶性肿瘤的发病和死亡情况在全球范围内有所不同，但它们都是导致全球癌症负担的主要因素。早期发现和治疗对于提高生存率至关重要。

前列腺癌数据集：


数据集：Prostate Gland Cancer Detection|医学成像数据集

数据集：The 50 slides of dataset and trained models

  • 创建时间：2024-01-31
  • 链接地址：The 50 slides of dataset and trained models|前列腺癌诊断|深度学习数据集
  • 数据集介绍：使用带有注意力和残差U-Net架构的集成进行前列腺腺癌的二元语义分割 在诊断前列腺癌（PCa）时，准确确定Gleason评分或Gleason模式（GP）至关重要，因为它是用于指导预后风险组治疗决策的标准之一。然而，病理学家使用显微镜手动指定GP容易出错，并且存在显著的观察者间变异性。深度学习已被用于自动区分数字化切片上的GP，辅助病理学家并减少观察者间变异性，特别是在癌症的早期GP中。本文提出了一种前列腺腺癌GP的二元语义分割。该分割将良性和恶性肿瘤组织分开，恶性类别包括从50个独特的前列腺针刺活检标本的数字化全切片图像（WSIs）中注释的腺癌GP3和GP4组织，这些标本用苏木精和伊红染色。金字塔式的数字化WSIs被提取成大小为256 x 256像素的图像块，放大20倍。提出了一种结合U-Net架构的方法，包括传统的U-Net、基于注意力的U-Net和基于残差的注意力U-Net。这项工作最初考虑使用注意力门单元与残差卷积单元的组合进行PCa组织分析。性能评估显示，两个类别的平均交并比为0.79，良性类别为0.88，恶性类别为0.70。然后使用提出的方法在测试集中产生PCa腺癌组织切片的像素级分割图。我们开发了一个筛选工具，使用AI方法从我们自己收集、注释和组织的数字化针刺活检样本图像中区分良性和恶性前列腺组织。我们的目标是从我们自己的数据集中识别出恶性腺癌组织。我们的方法得到了病理学家的认可。


数据集：Raw_Dataset|医学影像数据集|前列腺分析数据集

  • 创建时间：2024-01-31
  • 链接地址：Raw_Dataset|医学影像数据集|前列腺分析数据集
  • 数据集介绍：这个数据集包含了来自39名患者的T2加权磁共振图像，以及识别每张图像上前列腺位置的前列腺掩模。数据格式为.tif。总共包含了1235张图像。这个文件夹包含了T2图像和掩模。


数据集：前列腺癌检测数据集|深度学习数据集

  • 创建时间：2024-01-23
  • 链接地址：Deep Machine Learning of High Dimensional Peripheral Blood Flow Cytometric Phenotyping Data for identifying Prostate Cancer and its Clinical Risk in Asymptomatic Men
  • 数据集介绍:130名无症状但前列腺特异性抗原（PSA）水平升高的男性的外周血通过多参数全血流式细胞术进行了免疫分析。在这些男性中，42人随后被诊断为良性前列腺疾病，88人根据活检证据被诊断为前列腺癌（PCa）。我们构建了一个双向长短期记忆深度神经网络（biLSTM）模型，用于检测男性中是否存在PCa，该模型结合了先前确定的表型特征（CD8+CD45RA-CD27-CD28-（CD8+效应记忆细胞）、CD4+CD45RA-CD27-CD28-（CD4+效应记忆细胞）、CD4+CD45RA+CD27-CD28-（重新表达CD45RA的CD4+终末分化效应记忆细胞）、CD3-CD19+（B细胞）、CD3+CD56+CD8+CD4+（NKT细胞）和年龄。在测试集（未在训练和验证中使用的测试集）上，PCa存在“检测”模型的性能为：准确率：86.79%（±0.10），敏感性：82.78%（±0.15）；特异性：95.83%（±0.11）；AUC：89.31%（±0.07），ORP-FPR：7.50%（±0.20），ORP-TPR：84.44%（±0.14）。第二个biLSTM“风险”模型结合了免疫表型特征和PSA来预测患有PCa的患者是否患有高风险疾病（由D'Amico风险分类定义），取得了以下结果：准确率：94.90%（±6.29），敏感性：92%（±21.39）；特异性：96.11%（±0.00）；AUC：94.06%（±10.69），ORP-FPR：3.89%（±0.00），ORP-TPR：92%（±21.39）。当结合FC+PSA预测PCa的存在时，ORP-FPR低于单独使用PSA的预测。该研究表明，基于外周血表型分析的AI方法可以区分良性前列腺疾病和PCa，并预测PSA水平升高的无症状男性的临床风险。


数据集：PROSTATE MRI AND ULTRASOUND|医学影像|

  • 创建时间：2023-09-14
  • 链接地址：PROSTATE MRI AND ULTRASOUND|医学影像数据集|前列腺疾病数据集
  • 数据集介绍：前列腺磁共振成像和超声检查，包括病理学以及跟踪活检的坐标。这通常指的是一种结合了磁共振成像（MRI）和超声检查（Ultrasound）的前列腺癌检测方法，它能够提供前列腺的详细图像，并通过病理学分析来确定异常组织的性质。此外，通过跟踪活检的坐标，医生能够精确地定位并取得前列腺中可疑区域的样本，以便进行进一步的分析和诊断。这种方法可以提高前列腺癌检测的准确性，并有助于更好地评估疾病的严重程度和治疗方案的制定。


数据集：前列腺癌检测数据集|医学影像数据集

  • 创建时间：2023-06-28
  • 链接地址：Impact of Ultrasonographic Findings on Cancer Detection Rate during Magnetic Resonance Image/ Ultrasonography Fusion-Targeted Prostate Biopsy
  • 数据集介绍：评估经多参数磁共振成像（mpMRI）识别的索引病变的配对经直肠超声（TRUS）发现对MRI/US融合靶向活检中临床显著前列腺癌（csPCa，Gleason评分≥7）检出率的影响。材料与方法：从2019年到2021年，前瞻性地收集了MRI/US认知（cTB，n=299）或程序辅助（pTB，n=294）融合靶向活检中配对索引病变的TRUS发现。评估了根据是否存在配对低回声病变（HoEL）的csPCa检出率以及靶向活检中csPCa检出的预测因素。结果：在593名初次mpMRI可见病变的患者中（前列腺成像-报告和数据系统评分≥3），有288名（48.6%）在TRUS上有配对的HoEL。有和没有配对HoEL的靶向活检患者的csPCa检出率分别为56.3%和10.5%（p<0.001）。在外围带，有和没有配对HoEL的患者检出率分别为65.0%和14.5%，而在移行带，分别为37.4%和8.2%。在cTB队列中，配对HoEL（OR=6.25；p<0.001）是目标核心检测csPCa的独立预测因素，但在pTB队列中不是（OR=1.92；p=0.107）。结论：在MRI/US融合靶向活检中，有配对HoEL的TRUS患者的csPCa检出率高于没有配对HoEL的患者。在调整了区域位置和mpMRI发现后，配对HoEL的存在是cTB中csPCa检测的独立预测因素，但在pTB中不是。因此，配对HoELs仅提高了视觉估计活检的靶向性。


数据集：CaP 前列腺癌数据集|医学影像数据集|癌症诊断数据集


数据集：SPIE-AAPM-NCI PROSTATEx Challenges

  • 创建时间：2023-04-20
  • 链接地址：SPIE-AAPM-NCI PROSTATEx Challenges|医学成像数据集|前列腺癌诊断数据集
  • 数据集介绍：“SPIE-AAPM-NCI PROSTATEx挑战数据集是来自研究挑战的前列腺图像数据集。 该研究是一组回顾性的前列腺MRI研究，包括分别来自西门子3t MR扫描仪，MAGNETOM Trio和Skyra的T2-weighted，质子密度加权，动态对比增强和扩散加权成像，其中，T2-weighted使用具有约0.5毫米的平面内分辨率和3.6毫米的切片厚度的turbo自旋回波序列，随后是具有约1.5毫米的平面内分辨率和4毫米的切片厚度的3D turboflash梯度回波序列获得。切片厚度和3.5s时间分辨率最后，使用单词回波平面成像序列获取DWI系列，该序列的平面内分辨率约为2毫米，切片厚度为3.6毫米，在三个方向上具有扩散编码梯度。 该数据集的相关挑战是前列腺挑战 (SPIE-AAPM-NCI前列腺MR分类挑战) 和PROSTATEx-2挑战 (SPIE-AAPM-NCI前列腺MR格里森级组挑战)。 Spie-aapm-nci PROSTATEx挑战数据集包含346名患者的总共309,251张图像，由癌症成像档案TCIA 2016年发布，相关论文包括 “ProstateX挑战数据”。


数据集：Prostate MRI Segmentation Dataset|图像分割数据集


数据集：SICAPv2|医学图像分析数据集|前列腺癌诊断数据集

  • 创建时间：2022-05-05
  • 链接地址：SICAPv2|医学图像分析数据集|前列腺癌诊断数据集
  • 数据集介绍：“SICAPv2 是一个包含前列腺组织学全切片图像的数据库，带有全局 Gleason 评分和路径级 Gleason 等级的注释。与论文相关的数据：Silva-Rodríguez, J., Colomer, A., Sales, MA, Molina, R. 和 Naranjo, V. (2020)。深入了解 Gleason 评分量表：用于组织学前列腺分级和筛状模式检测的自动端到端系统。



数据集：DiagSet|前列腺癌诊断数据集|深度学习数据集

  • 创建时间：2021-05-10
  • 链接地址：DiagSet|前列腺癌诊断数据集|深度学习数据集
  • 数据集介绍：DiagSet是由诊断咨询有限公司创建的前列腺癌组织病理学图像数据集，包含430个完全注释的扫描和超过2.6百万个组织补丁。数据集旨在支持前列腺癌的检测和分类，通过深度学习技术提高诊断准确性。数据集内容包括不同Gleason等级的组织图像，以及由专业组织病理学家独立给出的诊断。创建过程中，数据集经过了严格的标注和质量控制，确保了数据的高质量和可靠性。该数据集的应用领域主要集中在前列腺癌的早期诊断和治疗方案的优化，旨在通过自动化技术减轻医生的工作负担，提高诊断效率和准确性。

数据集：Prostate Cancer MRI|前列腺癌|医学影像数据集


数据集：SICAPv2|医学图像分析数据集|前列腺癌诊断数据

数据集：1.5M patch's coordinates with targets

数据集：PROMISE12|医学影像数据集|前列腺癌检测数据集

  • 创建时间：2018-07-12
  • 链接地址：PROMISE12|医学影像数据集|前列腺癌检测数据集
  • 数据集介绍：PROMISE12数据集可用于 MICCAI 2012 前列腺分割挑战赛。使用多家 MRI 供应商和扫描方案在不同位置获取 50 名患有各种疾病的患者的磁共振 （MR） 图像 （T2 加权）。