总结一下目前遇到的一些医学图像预处理步骤，但才开始自学两周，所以很多东西或许不对或者不全面，以后争取每两周回顾以前的文章，将内容完善，并提高质量。（2019-3-5） 由于篇幅原因，将预处理的步骤分开来，这一篇将总结读取图片的方法。 2019/7/7更新，写在最前：关于图片读取出来宽、高顺序问题 （文中nii读取图片那节也有提到图片读取出来的w,h先后问题。） 有这样的疑问是看得多了之后发现有时候
转载
2024-10-22 11:27:05
52阅读
本教程将使用matplotlib的命令式绘图接口pyplot。 该接口维护全局状态，并且可用于简单快速地尝试各种绘图设置。 另一种是面向对象的接口，这也非常强大，一般更适合大型应用程序的开发。 如果你想了解面向对象接口，使用上的常见问题是一个用于起步的不错的页面。1. 将图像数据导入到 NumPy 数组加载图像数据由 Pillow 库提供支持。 本来，matplotlib只支持 PNG 图像。 如
转载
2024-09-25 16:10:17
186阅读
一、问题描述最近在开发过程中遇到了这样的问题：在医学图像开发过程中，我们将医学图像通过深度学习算法进行分割，现在想要通过这一套二维图像进行三维重构。以下是分割结果： 以下是读取的遮罩mask： 如何将这些二维图像进行三维重建，是个棘手问题，笔者通过vtk进行建模操作。二、解决方案0. 写在前面医学图像的三维重建本身就是热点技术，这项技术也并非新鲜技术，笔者调研多份前者的博客与其余资料
转载
2023-11-23 20:19:29
461阅读
Swin-Unet: Unet-like Pure Transformer for Medical Image Segmentation论文：https://arxiv.org/abs/2105.05537代码：https://github.com/HuCaoFighting/Swin-Unet首个基于纯Transformer的U-Net形的医学图像分割网络，其中利用Swin Transforme
转载
2023-12-05 08:54:40
248阅读
三维重建技术通过深度数据获取、预处理、点云配准与融合、生成表面等过程，把真实场景刻画成符合计算机逻辑表达的数学模型。这种模型可以对如文物保护、游戏开发、建筑设计、临床医学等研究起到辅助的作用。1.1 研究背景及意义人类通过双眼来探索与发现世界。人类接收外部信息的方式中，有不到三成来自于听觉、触觉、嗅觉等感受器官，而超过七成、最丰富、最复杂的信息则通过视觉[1]进行感知的。计算机视觉便是一种探索给
目录一、transforms——图像变换1. Pad 2. ColorJitter 3. Grayscale4. RandomGrayscale５. RandomAffine 6. RandomErasing 7. transforms.Lambda二、transforms ——trans
转载
2024-06-22 15:32:44
4阅读
文章目录调用pytorch内置的模型的方法解读模型源码Resnet.py包含的库文件该库定义了6种Resnet的网络结构，包括每种网络都有训练好的可以直接用的.pth参数文件Resnet中大多使用3*3的卷积定义如下如何定义不同大小的Resnet网络定义Resnet18定义Resnet34Resnet类我们来看看网络的forward过程我们来看看残差Block连接是如何实现的 torchvisi
转载
2023-11-24 13:13:32
66阅读
最近参加了伯禹平台和Datawhale等举办的《动手学深度学习PyTorch版》课程，对文本分类，数据增强，模型微调做下笔记。文本情感分类文本分类是自然语言处理的一个常见任务，它把一段不定长的文本序列变换为文本的类别。本节关注它的一个子问题：使用文本情感分类来分析文本作者的情绪。这个问题也叫情感分析，并有着广泛的应用。同搜索近义词和类比词一样
2. 主流方法FCN （https://arxiv.org/abs/1411.4038）方法描述：使用全卷积网络进行语义分割（Fully Convolutional Networks for Semantic Segmentation），于2014年提出主要贡献：（a）将端到端的卷积网络应用于语义分割领域，（b）修改
转载
2024-01-15 14:10:17
71阅读
摘要大多数现有的基于Transformer的网络架构用于视觉应用，但需要大规模数据集来正确训练。然而，与用于视觉应用的数据集相比，用于医学成像的数据样本数量相对较低，使得难以有效地训练用于医学应用的Transformer。为此，我们提出了一个门控轴向注意（Gated Axial-Attention）模型，该模型通过在自注意模块中引入额外的控制机制来扩展现有的体系结构。此外，为了在医学图像上有效地训
转载
2024-05-15 14:13:09
168阅读
创建日期: 2020-02-17 16:45:35
上一篇文章总结了在图像分割问题中，常用的经典损失函数，包括基于交叉熵和基于重叠度两大系列损失函数。这篇介绍一下损失函数在医学图像分割问题中的应用。1. 损失函数在医学图像分割中的应用 上一篇文章中我们讨论了标准的交叉熵损失函数及其加权版本，这些损失函数也都广泛应用在医学图像分割问题中。但是针对大背景中的小前景对象分割问题（常见于医学图
近日开始进入实验室搬砖，涉及医学图像这一块，之前没有接触，对内容进行一个梳理，帮助自己的理解，同时可能可以帮助其余有需要的人。1.医学影像学医学影像学（Medical Imaging）是研究借助于某种介质（比如X射线，电磁场，超声波等）和人体相互作用，把人体内部组织器官结构、密度以影像方式表示出来，供诊断医师根据影像提供的信息进行判断，从而对人体健康状况进行评价的一门科学，包括医学成像系统和医学图
转载
2024-07-16 15:38:04
173阅读
1 前言随着医学图像三维重建体绘制技术的发展及其研究的深入，医生对数据的分析不再局限于简单的观察输出结果，还要求能对结果进行友好交互，使最终结果更能满足其特定的观察需求。然而由于医学数据通常较大，对所有数据的重建和交互计算量非常大，目前能达到重建速度快、重建效果好、交互流畅的技术一般都是在专业的图形工作站上实现。但这些设备通常较为昂贵，一定程度上阻碍了三维重建体绘制技术在医学领域的普及。
转载
2023-09-26 22:17:10
0阅读
一、什么是图像image？各种数字化表示的图片、图表以及照片的统称，是二维及以上的高维信息。二、图像的分类1.图像取值的不同：黑白图像（black and white image）/二值图像（binary image），灰度图像（gray level image）和彩色图像（color image） 黑白图像：指图像的每个像素只能是黑或者白，没有中间的过渡，故
转载
2024-01-22 11:46:43
363阅读
还没有找到合适的图像清晰处理软件吗？perfectly clear workbench mac破解版是一款使用Athentech完全清晰图像校正库的应用程序，能够在您修复图片色彩的时候提供更好的调试过程，让您在修复图片色彩错误以及优化人像面部的时候活动最佳的修复效果，感兴趣的朋友们可以尝试下载使用哦！Perfectly Clear Workbench下载功能亮点perfectly clear wo
转载
2024-03-08 20:51:36
15阅读
单色图像的分割算法通常基于图像亮度值的两个基本特性：不连续性和相似性。在第一种类别中，处理方法是基于亮度的突变来分割一幅图像，如图像的边缘。在第二种类别中，主要方法是根据事先定义的准则把图像分割成相似的区域。今天小白介绍一下MATLAB中常用边缘检测的方法。掩膜的概念常用的点、线、边缘检测首先需要对检测的工具——掩模这一概念需要了解。拿3 x 3的掩模来说，该过程为计算系数和由掩模覆盖
转载
2023-10-19 23:47:05
82阅读
近年来，深度学习技术一直都处于科研界的前沿。凭借深度学习，我们开始对图像和视频进行分析，并将其应用于各种各样的设备，比如自动驾驶汽车、无人驾驶飞机，等等。 A Neural Algorithm of Artistic Style是一篇最新发表的研究性论文，论文向我们介绍了如何将一种风格和气质从艺术家身上转移至一张图像，并由此创建出另一张新图像。其他的一些论文，比如Gener
转载
2024-05-21 23:57:13
98阅读
1.X线检查X光检查：也叫拍片子，它有很强的穿透能力，检查时就像给身体拍了一张平面影像的照片。如果遇到被遮挡的部位，底片上不会曝光，但洗片后会呈现出白色。适用情况：X光是观察骨骼简便的检查方式，价格也相对较便宜。如果怀疑四肢、脊柱等部位出现急性外伤，伤到了骨骼，有突发急性疼痛或是难以控制的慢性疼痛，一般会优先选择X光。缺陷：X光检查只能提供平面影像，成像也容易受衣物、首饰甚至过厚的软组织影响，一般
转载
2024-03-28 10:54:12
93阅读
基于GPU加速的医学图像融合分析-计算机应用技术专业论文摘要不同成像设备因其成像原理不同，所成图像也会各具特色。将多幅不同类型的医 学图像进行融合处理，可使各图像优势得到相互补充，图像信息得到全面利用，为临 床诊疗提供更加完善、全面、丰富的医学图像。无论是在医学研究还是临床应用方面，医学图像处理技术发挥的效力和影响力都 越来越大，这也促使我们对 CT 和 MRI 图像融合的速度要求越来越高，迫使我
转载
2023-10-09 21:19:48
184阅读
医学图像进行数据增强（翻转、旋转）的方法总结使用深度学习执行图像分类任务时往往因为数据量不平衡或者数据量不足，需要进行数据增强，数据增强包括平移、旋转、裁剪、拉伸、缩放、水平翻转、垂直翻转、水平垂直、加噪声等等。而对于乳腺超声图像数据来说，拉伸、裁剪等操作会改变图像的形状信息，因此我使用水平翻转和旋转的方法进行数据扩充。一、水平翻转两种方法：分别是利用Opencv的DataAugment（）函数、
转载
2024-04-24 13:01:00
500阅读
