XiaoTaiYang6的博客

算法结构本文提出利用卷积神经网络对肺部CT图像进行分类，具体包括四个步骤：（1）通过使用数据库提供的说明文档，找出恶性肺结节和正常结节的CT图像；（2）利用最大类间方差法对 CT 图像进行分割得到二值图像；（3）设计的合适的卷积神经网络；（4）对数据集进行训练和分类，从而筛查出恶性肺结节的CT图像。卷积神经网络结构本文自己建立了卷积神经网络，采用双通道的形式，每个通道的结构一样，但是所训练...

摘要本文采用了GoogLeNet和AlexNet对胃癌病理进行诊断；针对医学病理图像的特点，对GoogLeNet进行了优化；采用将不同结构和不同深度的网络模型进行融合，综合两种不同的网络模型提取到的不同特征，来提高胃癌诊断的准确率。1.AlexNet和GoogLeNet模型AlexNet要求输入大小为227 * 227 * 3，本文使用的胃癌病理图像就是为三通道的RGB图像，维度符合模型要...

多尺度卷积神经网络的肺结节分类摘要与传统研究主要依赖于结节分割进行区域分析不同，我们解决了一个更有挑战性的问题，即直接建模原始结节斑块，而不需要事先定义结节形态。提出了一个分级学习框架|多尺度卷积神经网络(MCNN)|通过从交替堆叠的层中提取鉴别特征来捕获结节的异质性。特别是，为了充分量化结节特征，我们的框架利用多尺度结节斑块，通过将每个输入尺度的最后一层得到的响应神经元激活串联起来，同时学习...

简介当前许多图像分类的研究可以归功于训练过程的改进，例如改进数据增强和优化方法。然而在一些文献中，许多改进仅仅在实验细节中有简短的描述活在源码中才会出现。本文使用了这些小技巧将原始ResNet-50在ImageNet上的准确率从75.3%提升到79.29%。复现结果可以在GluonCV中找到，https://github.com/dmlc/gluon-cv。这篇文章可以看作是一群经验丰富的工程师...

利用深卷积神经网络对肺间质性病变的CT衰减模式进行整体分类本文提出了一种对CT图像进行固体成像模式分类的新方法。主要区别在于，该算法使用整个图像作为整体输入。通过绕过人工输入roi的前提。肺部疾病的CAD系统，大多数侧重于识别和量化单一模式，如实变或结节。对于计算机辅助的ILD分类，以往的研究均采用了基于patch的图像表征方法，分级结果理想。作者的方法可用于CT整体切片的分类和标签ILD标...

简介本文是胶质瘤的常规MRI（核磁共振）分类：深度学习和迁移学习。所用到的一些简称：世界卫生组织(WHO)，低度胶质瘤(LGG)，高级别胶质瘤(HGG)作者通过分析MRI图像，训练CNN对LGG和HGG进行无创分类。（1）探索评估两种CNN架构（AlexNet和GoogLeNet）性能。（2）通过迁移学习评估影响。近年来机器学习技术应用于胶质瘤分类，通过从不同的参数图中提取图像特征，包括临...

本文是通过融合深度特征和经典放射学特征预测恶行结节。本文用到的英文简写：小细胞癌(SCLC)，非小细胞癌(NSCLC)，全国肺筛查试验(NLST)，低剂量计算机断层扫描(LDCT)，肺中间结节(IPNS)，筛查检测肺癌(SDLC)，长短期内存(LSTM)。从肺部CT图像中提取的经典放射学特征已被证明能够预测癌症发病率和预后。随着深度学习和卷积神经网络的发展，可以识别出肺CTs的深层特征，分析其...

简介CBAM是ECCV2018年的文章，提出一个新的结构。SENet在特征图的通道上进行attention生成，然后与原来的特征图相乘，这种attention方法只关注了通道层面上哪些层会具有更强的反馈能力，但是在空间维度上并不能体现出attention思想。由于卷积运算通过混合跨信道和空间信息来提取信息特征，我们采用模块来强调这两个维度上有意义的特征：通道和空间。为了实现这一点，我们依次应用通...

最近看了几篇关于迁移学习的论文，并且是关于医学图像的分类问题的。下面介绍一篇论文基于预训练神经网络的甲状腺结节诊断。这篇文章是对甲状腺（thyroid nodule）的良恶性进行分类。文中提出了一种用融合CNN的方法来做，具体是用到迁移学习预训练2个CNN，再微调，分别输出最后一层全连接层特征，进行合并，融合后在放入softmax classifier进行分类。论文里也做了很多对比实验，包括与影像...

摘要视觉任务中多尺寸的特征表示十分重要，作为backbone的CNN对尺寸表征能力越强，性能提升越大。目前大多数特征提取的方法是分层方式来表示多尺度特征。分层方式即要么对每一层使用多个尺度的卷积核进行特征提取，要么就是对每一层提取特征进行融合。本文提出的Res2Net在原有的残差单元结构中又增加了小的残差块，通过在单一残差块中对残差连接进行分级，进而可以达到细粒度层级的多尺度表征，同时增加了每...

摘要在标准的卷积网络中，每层网络中神经元的感受野大小都是相同的。在神经学中，视觉神经元感受野的大小是由刺激机制调节的，而卷积神经网络却很少考虑这个因素。本文提出的方法可以使神经元对不同尺寸的输入信息进行自适应的调整其感受野大小。设计了一个选择性内核的单元SK的构建块，其中多个具有不同内核大小的分支在这些分支中信息引导下，使用softmax进行融合。分支中不同注意力产生不同的有效感受野。由多个SK...

简介ShuffleNet V2是对ShuffleNet V1的改进，是关于模型压缩和加速的文章。目前大部分关于模型加速和压缩的文章对比加速时的效果都是FLOPs，这个指标主要衡量的就是卷积层的乘法操作。但是具有相似网络特征的FLOPs有不同的速度，因此，仅仅使用FLOPs来作为计算复杂度的唯一指标是不够的。下图©(d)中相同的MFLOPs的网络实际速度差别却很大，说明以FLOPs作为指标是有问题...

概述MobileNet V1的问题MobileNet V1的结构非常简单，是类似VGG一样的直筒型。这种结构的性价比不高，后续一系列的ResNet，DenseNet等结构证明了通过特征复用可以极大的提高网络的性价比。Depthwise Conv确实大大减少了我们的计算量。在实际使用的时候，我们发现Depthwise部分的kernel比较容易训练废掉，训练之后发现Depthwise训练出来的ke...

简要介绍Inception是神经网络的著作之一，它提出了多尺寸卷积和多个小卷积核代替大卷积核等概念。Xception是继Inception后提出的对Inception-v3的另一种改进。不同于VGG等传统网络通过堆叠简单3 * 3卷积实现特征提取，Inception模块通过组合1 * 1，3 * 3，5 * 5和pooling等结构进行特征提取，Inception结构将特征类型的选择留给网络自己...

摘要介绍我们提出一种简单，高度模块化的图像分类网络结构，我们的简单的设计结果均匀，多分支结构，只有少数的超参数（宽度和过滤器大小）集，这种策略是一个新的维度，我们称之为‘’基数‘’的集合大小，作为一个必不可少的因素除了深度和宽度的尺寸。实验表明，即使在保持复杂度的限制条件下，增加基数也能提高分类精度，此外，当增加容量（更深入和更广泛）时，增加基数比深入和加宽更有效。Cardinatity是基数，...

简介随着深度神经网络的不断发展，网络的层数也在不断加深，每提高一个百分点精度是一小部分都要花费几乎两倍的层数，较深层的网络模型中只有部分模块具有很好的表征能力，非常深的剩余网络会减少特征重用，使得网络训练的特别慢。所以对ResNet块进行了研究，提出了减小残差网络的深度，增大残差网络的宽度的新结构（WRN宽剩余网络）。深度网络具有优越性，然而会在训练中存在一些看你，比如爆炸/梯度消失和退化。后续...

简介近年来，卷积神经网络实现了很大的发展，这已经显著提升了很多不同应用的性能表现，深度卷积神经网络可以成功的原因很大程度是因为其多个非线性隐藏层的结构，其中包含了数以百万计的参数，因此可以学习输入和输出之间的关系。作者观察提出了一种新的方法，称为加权信道丢失率(WCD)的正则化深卷积神经网络(CNN)。在一个卷积神经网络的卷积堆栈内，所有的通道都是由之前的层生成的，并会在下一层得到平等的对待，...

概述CNN的核心构件是卷积算子，它使用网络在每一层的局部感受野内融合空间和信道信息来构建信息特征，研究试图通过提高空间编码的质量来增强CNN的代表性。卷积神经网络由一系列的卷积层，非线性层和下采样层构成，这样它们能够从全局感受野上去捕获图像特征来进行图像描述。SE模块通过明确地建模通道之间的依赖关系，自适应地重新校准通道方向的特征响应。在网络的每个卷积上，一组滤波器沿着输入信道表达邻近空间连接模...

简介ShuffleNet是一个非常有效的移动卷积神经网络。它是计算效率极高的卷积神经网络结构，它的专门为计算能力有限的设备设计的，该结构利用了点态群卷积和信道混洗两种新的运算方式，保证精度的同时，降低计算成本。最精确的卷积神经网络需要数十亿的计算，本文恰好相反，在有限的计算预算中，以数十或数百个MFLops来追求最佳的准确率，我们的目标是探索一个高效的基础架构，专门为我们所需的计算范围设计。Re...

在开始论文记录之前介绍一点小的知识点：假设卷积核大小为KnKw，输入通道为Cin，输出通道为Cout，输出特征图的宽和高为W，H。Conv标准卷积层：参数数量：KnKwCinCout理论计算量：KnKwCinCoutW*H...