医学图像处理算法学习——3DUnetCNN（1）第一章 3DUnetCNN（1）——原demo部署运行于源码分析 文章目录医学图像处理算法学习——3DUnetCNN（1）前言一、源码与数据集二、运行训练demo1.搭建环境2.运行代码三、代码分析1.代码结构2.train.py 前言作为初入医学图像处理领域的新手，本博客旨在记录自己对于3DUnetCNN学习过程中遇到的问题，以及自己对代码的理解与
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
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
作者｜魔王、张倩上海交大研究人员创建新型开放医疗图像数据集 MedMNIST，并设计「MedMNIST 分类十项全能」，旨在促进 AutoML 算法在医疗图像分析领域的研究。在 AI 技术的发展中，数据集发挥了重要的作用。然而，医疗数据集的创建面临着很多难题，如数据获取、数据标注等。近期，上海交通大学的研究人员创建了医疗图像数据集 MedMNIST，共包含 10 个预处理开放医疗图像数据集（其数据
1.医学图片与自然场景图片的区别 医学图像检测与自然图像检测差别还是比较大的，自然图像的目标检测由于需要检测的类别非常多，现在的目标是更深的网络（提高目标的特征表示能力，resnet），更快的检测速度（最终需要商用，要有较好的实时性，yolo，ssd），更好的检测效果（boundbox要完全正好包住目标，locnet）；而医学图像的
转载
2024-04-09 00:55:37
80阅读
Diffusion Adversarial Representation Learning for Self-supervised Vessel Segmentation, ICLR2023解读：ICLR 2023：基于 diffusion adversarial representation learning 的血管分割 (qq.com)论文：https://arxiv.org/abs/2209
摘要一种常见的小样本分割方法是用一个原型为每个类建模。虽然这些方法概念简单，但当目标外观分布在特征空间中是多模态或不是线性可分时，这些方法就会受到影响。为了解决这一问题，我们提出了一种基于高斯过程(GP)回归的few-shot学习公式。通过GP的表达能力，我们的方法能够对分布在深层特征空间上的复杂外观进行建模。GP提供了一种捕捉不确定性的原则性方法，这是CNN解码器获得的最终分割的另一个强大线索。
Attention模型的基本表述可以这样理解成： 当我们人在看一样东西的时候，我们当前时刻关注的一定是我们当前正在看的这样东西的某一地方，换句话说，当我们目光移到别处时，注意力随着目光的移动也在转移。 这意味着，当人们注意到某个目标或某个场景时，该目标内部以及该场景内每一处空间位置上的注意力分布是不一样的。 这一点在如下情形下同样成立：当我们试图描述一件事情，我们当前时刻说到的单词和句子和正在描述
转载
2024-03-07 12:36:23
118阅读
摘要CNN由于卷积操作的局部性，难以学习全局和长范围的语义信息。交互。 提出swin-unet，是一个像Unet的纯transformer，用于医学图像分割。采用层级的带移动窗口的swin transformer作为编码器，提取上下文特征。一个对称的、带有patch展开层的、基于swin-transformer的解码器用于上采样操作，恢复特征图的空间分辨率。 在直接下采样输入和上采样输出4倍时，在
转载
2024-04-26 16:56:26
114阅读
医学图像分割-----《医学图像处理与分析》第二版主要流程:医学图像分割概念、几种医学分割技术、图像分割常用的形态学运算和边界跟踪技术‘概念：根据某种均匀（一致）性的原则将图像分割成若干有意义的部分，使得每一部分都符合某种一致性的要求，而任意两个相邻部分的合并都会破坏这种一致性。可归结为图像像素点的分类问题。边缘检测技术：图像分割的重要手段：基于物体和背景之间在灰度（或纹理）特性上存在着某种不连续
转载
2024-03-18 20:30:31
138阅读
医学图像相关知识：一、图像：图像代表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。其中医学图像主要为三维图像，需要坐标轴进行标识。二、图像分类：1、图像根据图像取值的不同可分为：黑白图像、二值图像、灰度图像和彩色图像 **黑白图像：**指图像的每个像素只能是黑或白、没有中途过度、像素值由0、1表示 **灰度图像：**图像每个像素信息由一个量化的灰度级来描述的图像，没有彩色信息。
转载
2024-01-03 06:23:35
538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
367阅读
1. AUC个人复习总结分类评价指标 ROC，AUC 时候，私以为 AUC 作为 CTR 预估常用离线评估指标，有着丰富的含义和特性，现对其含义、优缺点、用途、计算公式推导等做一个盘点。1.1 什么是AUCAUC 是一个模型评价指标，只能用于二分类模型的评价，对于二分类模型，还有很多其他评价指标，比如 logloss，accuracy，precision。如果你经常关注数据挖掘比赛，比如 kagg
医学图像的存储—PACS和DICOM标准PACS的定义：把从不同地点不同成像装置产生的图像经数字化后,通过计算机网络送至中央数据管理系统( 含数据库),再经计 算机网络送至不同的显示工作站,供放射科医生、病房医生及其他医务人员调用。DICOM定义：医学数字成像和通信, 是医学图像和相关信息的国际标准。它定义了质量能够满足临床需要的可用于数据交换的医学图像格式。DIP二值图像：是指图像的每个像素只能
转载
2024-10-27 11:57:03
98阅读
在接触人工智能医疗方面时，单是学习算法和代码原理还不够，需要一定的医学影像知识储备。 B超、CT、MR等都算是医疗影像，在现实生活中，从医院检查身体后拿到的胶片是处理过后的二维图像。这些医疗影像其实是三维的。 最常见的图片格式有JPG、PNG等等，这些都是二维图片。而医疗影像的格式也有很多，其中最常见的是DICOM。什么是DICOM？ 为了方便各种医疗设备的通讯，美国成立的ACR-NEMA协会，发
为了提升医疗服务水准，跟随医学影像技术和网络技术的发展，我国众多医院都在大量配备各种数字影像设备，并开始建立医院管理信息系统(HIS)，开展远程医学试验。他们对于图像存档和传输系统(PACS)的需求越来越紧迫，PACS的应用前景十分诱人。然而，我国PACS的研究开发尚处于起步阶段，尽快自主开发适合我国国情的基于In-tranet的PACS是当务之急。PACS必需解决的技术问题之一是统一
、1. U-Net及相关变种综述文献：Medical Image segmentation review: The success of U-Net （这是一篇对Unet模型在医学图像应用上的整体回顾，并对主流模型进行了分类整理）图像分割任务分为两类：语义分割和实例分割语义分割：像素级的分类，将图像中所有像素划分为相应的类别实例分割：也需要基于语义分割识别同一类别中的不同对象。常见的医学成像方式：
转载
2024-09-30 10:48:57
183阅读
文章目录1.图像分割指标2. 两个问题3.IOU和假阳性率4. 准确率(Accuracy), 精确率(Precision), 召回率(Recall)和F1-Measure 1.图像分割指标前言 在医学分割算法中，通常医生的手绘标注作为金标准（Ground Truth，简称GT），其他算法分割的作为预测结果（Rseg,简称SEG）。分类问题 考虑一个二分类的情况，类别为1和0，我们将1和0分别作
实验目的任意选择分类算法，实现乳腺癌分类。要求所有分类算法均自己实现。 下图是一个良性样本： 下图是一个恶性样本：实验过程由于能力和精力有限，我并没有选用CNN模型作为分类器。一方面是因为不借助PyTorch框架实现CNN对我来说过于困难，另一方面是因为本次课内实验提供的数据量太小，我觉得没有必要通过卷积神经网络来进行分类，故本次实验选用了相对简单的全连接神经网络实现。①数据集的读取本次实验的数据
转载
2024-05-18 11:17:49
194阅读
目录1. OCT 图像分类2. OCT图像数据集3. OCT图像预处理4. 特征提取5. 实验结果及分析 github地址: https://github.com/aishangcengloua/OCT_Classification 1. OCT 图像分类 视网膜光学相干断层扫描(OCT)是一种成像技术，用于捕获活体患者视网膜的高分辨率横截面。每年大约进行3000万次OCT扫描，对这些图像的分
转载
2024-05-28 10:26:48
221阅读
