- 博客(25)
- 收藏
- 关注
RSS订阅原创 医学影像批量配准（matlab，SPM）
医学影像批量配准，matlab 代码配准后的文件与配准前的文件保存在统一目录下，命名以‘r’开头。文件目录nii_path的组织方式，见链接：https://blog.csdn.net/qq_34869928/article/details/110003619%-----------------------------------------------------------------------% Job saved on 21-Nov-2019 15:35:09 by cfg_u..
2020-11-23 19:58:00
2724
2
原创 Dicom批量转nii（医学影像格式转换，SPM）
Dicom转nii（医学影像格式转换）实验中需要用spm12进行配准，spm12 配准只能导入nii格式，但医生给的影像是dicom格式的，需要先进行格式转换。spm12有自带的dicom转nii功能，但需要一例一例影像点着来，费时费力枯燥，好在基于SPM12可以写出代码批量转换！！！1. 在matlab上安装好spm12，安装方法可参考smp12官网2. 文件组织方式 dicom path：保存所有dicom的目录，该目录下是一个一个的病例，每个病例的影像分开保...
2020-11-23 18:38:47
8844
6
原创 SVM对训练数据的输入顺序敏感？？？
问题描述： 模型：from sklearn.svm import SVC 训练方法：用GridSearchCV和5折交叉验证，选择最佳参数后，在测试集上测试。 问题：当训练集数据不变，仅变换训练集数据的顺序时，测试结果会不一样。原因： 不是SVM对训练数据的输入顺序敏感，问题在参数选择上。 5折交叉验证——将训练集数据随机划分为5...
2019-11-07 18:12:22
1614
转载 tensor数据类型转换
tensor数据类型转换torch.long() 将tensor转换为long类型torch.half() 将tensor转换为半精度浮点类型torch.int() 将该tensor转换为int类型torch.double() 将该tensor转换为double类型torch.float() 将该tensor转换为float类型torch.char() 将该tensor转换...
2019-09-16 17:11:22
40853
原创 The program 'nvcc' is currently not installed.
报错如下：解决方法：执行 vim ~/.bashrc 在文件末尾添加 export LD_LIBRARY_PATH=/usr/local/cuda/lib export PATH=$PATH:/usr/local/cuda/bin执行 source ~/.bashrc激活下路径 执行 nvcc，如下：（这个没关系，不影响nvcc的使用） ...
2019-09-04 19:13:39
6680
2
原创 分割和检测任务在医学影像领域的评估指标
分割和检测的预测结果其实就是个与输入图像大小一致掩码（mask），用于表示每个像素所属类别。1. DICE score 既能用于评估分割，也能用于评估检测，因为某种程度上，分割的精确度与检测相关。 DICE score属于F1 score，是精确率和召回率的调和平均数。这个分数基本上是像素级的检测得分。当应用于二元分割任务时，它会评估预测值A和真实值B之间的重叠程度...
2019-08-08 15:45:06
3081
原创 训练深度网络怎么这么费内存 RuntimeError: Unknown error -1
训练了个U-net，结果跑了几个epoch后，总是 RuntimeError: Unknown error -1。我参考了https://www.jianshu.com/p/1d630843a844?utm_source=oschina-app的解决方法。一个原因是存储空间满了，还有就是pytorch自身的bug。我开始是不相信自己内存不够的，试了第二种方法不管用，看了内存空间后确实满的不...
2019-08-02 16:06:49
1122
原创 TypeError: can't convert np.ndarray of type numpy.uint16.
报错代码为：label= torch.FloatTensor(label)报错 TypeError: can't convert np.ndarray of type numpy.uint16. The only supported types are: float64, float32, float16, int64, int32, int16, int8, and uint8....
2019-08-02 11:06:04
18399
12
翻译 Translating and Segmenting Multi-modal Medical Volumes with Cycle- and Shape-Consistency GAN（简介）
这篇论文提出了医学volume-to-volume的转换，包括对抗性、循环一致性和形状一致性损失，以及双模态分割。这篇论文主要用到CycleGAN。一、本论文提出的方法上图描述了该结构的两个部分：生成器部分和分割器部分（判别器部分没有特别之处，所以没介绍）1. 生成器部分： 两个生成器，采用U-Net结构，使用步长为2、核为3×3×3的卷积进行3次下采样，上...
2019-06-11 11:39:06
875
翻译 Adversarial Stain Transfer for Histopathology Image Analysis（简介）
组织病理学分析中的对抗染色迁移 本文所提出方法的目标是为给定的组织病理学图像分析任务(例如，分类或分割)建立一个带有内在染色归一化组件的判别模型。这种模型应该能够处理具有不同统计特性的图像(即，不同染色表现），不需要额外的训练或预处理。 染色也可以看作是分割任务。一、该论文中提出的网络结构： ：用于训练的图片，来自病理学实验室A。 ...
2019-06-07 20:24:42
510
4
翻译 Medical Image Synthesis with Context-Aware Generative Adversarial Networks （简介）
本文是关于MRT-to-CT。 首先，提出一个基本的三维FCN结构来估计从MRI得到的CT图像。三维操作可以更好地对三维空间信息进行建模，从而可以解决切片间的不连续问题。其次，利用对抗式训练策略对所设计的网络进行训练。还在生成器的损失函数中加入了一个图像梯度差项（image gradient difference），目的是保持产生的CT的锐度。最后，使用Auto-Conte...
2019-05-28 19:59:05
1303
3
翻译 MedGAN——用GAN对医学成像进行迁移
该网络结构的论文是——MedGAN：Medical Image Translation using GANsMedGAN结构如下图所示：一、 MedGAN由三部分组成：1. 生成器（Generator）——选用一个CasNet（Fig.2）做生成器，输入为 y（如PET），输出为（如CT）。2. 判别器（Discriminator）——用于区分真实图像 x 和转化图像，同时...
2019-05-28 17:11:30
2328
3
翻译 Visual network alterations in brain functional connectivity in chronic low back pain
慢性下腰痛的脑功能连接的视觉网络变化:一项静态功能连接和机器学习研究摘要慢性下腰痛（cLBP）与大脑的广泛的功能和结构变化有关。本文旨在探讨cLBP患者视觉网络的静息状态功能连接(rsFC)变化，以及利用机器学习方法将cLBP患者与健康对照组进行区分的可行性。纳入cLBP (n=90)和对照组(n=74)，并进行静息状态的血氧浓度依赖性 (BOLD)的功能磁共振成像（fMRI）扫描。背侧的和腹...
2019-05-27 19:26:03
476
转载 Dice loss
转自：咖啡味儿的咖啡https://blog.csdn.net/wangdongwei0/article/details/84576044Dice Loss首先定义两个轮廓区域的相似程度，用A、B表示两个轮廓区域所包含的点集，定义为： &n...
2019-05-27 11:09:13
4070
转载 CycleGAN——loss解析及更改与实验
CycleGAN（五）loss解析及更改与实验 2019年04月01日 11:25:05邢翔瑞版权声明：转载注明出处：邢翔瑞的技术博客https://blog.csdn.net/weixin_36474809https://blog.csdn.net/weixin_36474809/article/details/88895136目的：弄懂loss的定义位置及何更改。目录一、论文...
2019-05-27 10:43:26
5636
4
翻译 Data Shapley: Equitable Valuation of Data for Machine Learning（翻译）
随着数据成为推动技术和经济增长的燃料，一个根本性的挑战是如何在算法预测和决策中量化数据的价值。比如，在医疗保健和消费者市场，个人应该为他们产生的数据得到补偿，但不清楚什么是对个人数据的公平估值。在这项工作中，我们开发了一个有原则的框架来处理监督机器学习环境下的数据评估。给定一种基于n个数据点训练的学习算法来生成预测器，我们提出以Data Shapley作为度量指标来量化每个训练数据对预测器性能的影...
2019-05-23 18:11:21
2722
5
翻译 Generative Adversarial Nets (译)
摘要我们提出一个新的框架，通过一个对抗过程来评估生成模型，我们同时训练两个模型：一个生成模型G——用于捕获数据分布，一个判别模型——用于评估一个例子是训练数据而不是生成数据的可能性。G的训练过程是最大化D做出错误决定的可能性。该框架类似于一种最大最小化的两人游戏。在任意G和D的空间中，存在唯一解，G恢复训练数据分布，D恒等于1/2。在这里，G和D都由多层感知机定义，整个网络通过梯度下降训练。在样...
2019-05-23 18:04:51
1694
转载 RoI-Pooling与RoI-Align的区别
原文链接：https://www.cnblogs.com/wangyong/p/8523814.html 一）、RoIPooling 这个可以在Faster RCNN中使用以便使生成的候选框region proposal映射产生固定大小的feature map 先贴出一张...
2019-04-15 17:36:54
1697
转载 图像处理+双线性插值法
转载自：https://blog.csdn.net/lovexlsforever/article/details/79508602 1、线性插值的解释单线性插值法双线性插值法2、另一位牛人讲的比较易懂1.双线性插值2.存在的问题3、又是另一位讲的通俗易懂1，原理2，计算方法3，加速以及优化策略3.1 源图像和目标图像几何中心的对齐 3.2 ...
2019-04-09 17:08:42
627
转载 Attention机制
原文链接：https://blog.csdn.net/malefactor/article/details/50550211 作者：张俊林博客 自然语言处理中的Attention Model：是什么及为什么 要是关注深度学习在自然语言处理方面的研究进展，我相信你一定听说过Attention Model（后文有时会简称AM模型）这个词。AM模型应该说...
2019-04-07 22:25:48
150
翻译 Fast R-CNN
1. 简介目标定位导致程序的复杂，且存在两个挑战：一，必须处理大量的候选推送区，二，这些候选推送区仅提供了粗略的定位，得到精确定位必须被再次处理。这影响了速率、精确率、简单性。我们简化了最先进的基于卷积网络的目标检测器的训练过程，提出一个单阶段训练算法来进行目标推送分类和修正其空间位置。R-CNN 与 SPPnet 的局限R-CNN：训练是多阶段流水。首先，R-CNN在目标推送阶段使用...
2019-03-30 16:45:21
1222
转载 R-CNN论文详解
原文链接：https://blog.csdn.net/wopawn/article/details/52133338注：在介绍回归器设计部分，有大段内容转载失败，请看原文！！！ R-CNN论文详解 paper链接：Rich feature hierarchies for accurate object detection and semantic se...
2019-03-28 10:23:31
128
原创 最小二乘法
在我们研究两个变量(x, y)之间的相互关系时，通常可以得到一系列数据(x1, y1),(x2, y2)… (xn , yn)；将这些数据描绘在x -y直角坐标系中, 若发现这些点在一条直线附近，可以令这条直线方程如:Y= b + a* X ，其中，a、b 是任意实数。为建立这直线方程就要确定a和b，应用《最小二乘法原理》，计算误差的平方和为“优化判据”，找到使误差平方和最小的参数即得最优方程...
2019-03-28 09:10:03
136
原创 R-CNN（Regions with CNN features）
Rich feature hierarchies for accurate object detection and semantic segmentation用于准确的目标检测和语义分割的丰富特征层次结构- 简介两个关键因素：(1) 将大型卷积神经网络（CNN）应用于自底向上区域推荐，以定位和分割物体；（2）当标签训练数据不足时，先针对辅助任务进行有监督预训练，再进行特定任务的微调，就可以...
2019-03-05 11:36:49
632
原创 Deep learning
深度学习允许由多个处理层组成的计算模型学习具有多个抽象级别的数据表示，极大地提高了语音识别、视觉目标识别、目标检测以及药物发现和基因组学等领域的技术水平。1. 监督学习：- 目标函数（objective function）计算预测值与真实值之间的差。目标函数在所有训练实例中的平均值可以看作是高维权重值空间中的一种丘陵景观。负梯度矢量指示这一景观中最陡的下降方向，使其更接近最小值，即输出误差...
2019-02-26 18:40:08
291
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人