jinzi_a-CSDN博客

原创医学图像中感兴趣区域（ROI）的提取到底是属于图像分割还是目标检测？

目标检测是深度学习中一个重要的应用，一般包含两个步骤：①对图像进行分类，识别物体是什么；②定位目标，找出目标在哪里。图像分割则是将每一像素与其表示的目标类别对应起来，即从像素水平上对目标定位，不再是简单地画矩形框。第一种传统的目标检测算法有Cascade + HOG/DPM + Haar/SVM以及上述方法的诸多改进、优化；这些算法一般有以下流程：1.采用穷举策略的选择区域，即设置不同大小、不同长宽比的滑动窗口对图像进行遍历；穷举策略计算量庞大，耗时长。2.使用SIFT、HOG提取特征；因为形态多

2022-02-21 20:50:36 4676

原创多条Precision-Recall（PR）曲线绘制（PR曲线）含python代码

多条Precision-Recall（PR）曲线绘制（PR曲线）含python代码

2021-12-17 22:33:42 10499 30

原创数据集划分——训练集、测试集、验证集按照7:1:2

数据集划分——训练集、测试集、验证集按照7:1:2前面我对乳腺超声图像数据库进行数据增强，得到：然后对数据集进行划分，按照训练集、测试集、验证集7:1：2的比例。代码：import osimport randomimport shutilfrom shutil import copy2"""os.listdir会将文件夹下的文件名集合成一个列表并返回"""def getDir(filepath): pathlist = os.listdir(filepath) re

2021-03-25 10:42:27 7520 3

原创医学图像进行数据增强（翻转、旋转）的方法和结果总结

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、 PIL中的Image1 Opencv方法：代码：'''Python批量实现图像镜像翻转函数：D

2021-03-25 09:50:56 10900 7

翻译 2020-Deep Neural Networks Improve Radiologists’ Performance in Breast Cancer Screening

2020-Deep Neural Networks Improve Radiologists’ Performance in Breast Cancer Screening这篇论文高被引，是2020年的一篇高水平论文，利用深度神经网络实现乳腺肿瘤的筛查。有四个先进性：1，本论文使用的新颖的两阶段架构和训练程序，允许我们使用大容量的patch级网络从像素级标签学习，同时使用从宏观乳腺级标签学习的网络。2，一个基于ResNet的自定义网络作为我们模型的构建块，其深度和宽度的平衡可以优化高分辨率医学图像。3，

2021-03-23 22:53:03 358

原创论文阅读2018-Deep Convolutional Neural Networks for breast cancer screening 重点：利用迁移学习三个网络常规化进行分类

论文阅读2018-Deep Convolutional Neural Networks for breast cancer screening摘要：我们探讨了迁移学习的重要性，并通过实验确定了在训练CNN模型时采用的最佳微调策略。我们成功地微调了一些最近的，最强大的cnn，并取得了更好的结果，与其他最先进的方法分类相同的公共数据集。例如，我们在DDSM数据库上实现了97.35%的准确率和0.98 AUC，在INbreast数据库上实现了95.50%的准确率和0.97 AUC，在BCDR数据库上实现了96.

2020-11-20 15:05:19 473

原创 breast_classification_ResNet 训练结果

breast_classification_ResNet 训练结果运用了迁移学习，下载ResNet网络的权重文件，不改变原网络结构，在最后加上一个全局平均池化层、1024的FC、2的FC实验一：batch_size = 16epochs = 100训练结果

2020-10-05 20:30:36 256

原创特征选择relief算法介绍

特征选择relief算法介绍特征选择的基础了解：特征选择过程一般包括：特征子集产生过程，评价函数，停止准则，验证过程。特征子集选择过程：根据搜索过程的方法的不同，可以将特征选择分为穷举、启发式、随机几种方法。以上几种方法不改变特征的原始属性，而有些方法通过对特征进行空间变换，去除相关性。比如PCA、傅立叶变换、小波变换等.Relief为一系列算法，它包括最早提出的Relief以及后来拓展的ReliefF和RReliefF，其中RReliefF算法是针对目标属性为连续值的回归问题提出的，下面仅介绍

2020-09-29 15:25:57 3147

原创 breast_classification_VGG实验结果

breast_classification_VGG实验结果实验一：batch_size = 32epochs = 20训练结果：loss: 0.2997 - acc: 0.8584 - val_loss: 0.4776 - val_acc: 0.7969验证结果：the model accuracy is 0.625±----------±----------±-------±------------+| | Precision | Recall | Specif

2020-09-23 09:34:36 198

原创图像分类代码演练（一）

图像分类代码演练（一）参考Github代码：https://github.com/WZMIAOMIAO/deep-learning-for-image-processing/tree/master/data_set1 数据的导入与拆分import osfrom shutil import copyimport randomdef mkfile(file): if not os.path.exists(file): os.makedirs(file)file

2020-09-21 19:10:06 1082

原创 AttributeError: ‘Tensor‘ object has no attribute ‘numpy‘报错问题解决

TypeError: AlexNet_v1() got an unexpected keyword argument 'num_classes’报错问题解决出现以下错误：添加下面的代码就可以解决。tf.enable_eager_execution( config=None, device_policy=None, execution_mode=None)

2020-09-21 15:51:12 3941 2

翻译文献阅读2019-Distinction between benign and malignant breast masses at breast ultrasound using deep lear

文献阅读2019-Distinction between benign and malignant breast masses at breast ultrasound using deep learning method with convolutional neural network

2020-09-17 17:53:00 112

翻译文献阅读2019-Computer-aided diagnosis system for breast ultrasound images using deep learning

文献阅读2019-Computer-aided diagnosis system for breast ultrasound images using deep learning1 通过生成热图来探索正确分类的区域，热图展示了CNN用于人类恶性/良性分类的重要区域。我们结合两个CNN模型构建了一个集成网络(VGG19和ResNet152)对平衡训练数据进行了微调。此外，我们的研究表明，乳腺肿物本身并没有被CNN检测到作为正确肿物分类的重要区域。2 当前CNN诊断存在两个问题：1 CNN诊断的过程难以理

2020-09-17 09:55:06 841

翻译文献阅读-2017A Pre-trained Convolutional Neural Network Based Method for Thyroid Nodule Diagnosis

文献阅读2017-A Pre-trained Convolutional Neural Network Based Method for Thyroid Nodule Diagnosis方法：提出了一种甲状腺结节诊断的混合方法，即将两种不同卷积层和全连接层的预训练卷积神经网络(CNNs)融合。首先，分别对使用ImageNet数据库预训练的两个网络进行训练。其次，我们将两个cnn的经过训练的卷积滤波器、pooling和normal- ization操作学习到的feature map进行融合。最后，结合融合

2020-09-15 09:23:13 260

原创文献阅读2019-Machine Learning‐Assisted System for Thyroid Nodule Diagnosis

文献阅读2019-Machine Learning‐Assisted System for Thyroid Nodule Diagnosis方法：在9种常用算法的基础上，随机抽取60%的样本建立模型，并使用剩余40%的案例进行验证。所有的模型都有一个验证数据集，该数据集在测试前的恶性概率为10%。这些模型通过包含1000次衍生化和验证的机器学习进行了改进，并与经验丰富的放射科医生的诊断进行了比较。计算敏感性、特异性、准确度和曲线下面积(AUC)。结果：随机森林算法产生了最佳诊断模型，该模型优于仅基于传统

2020-09-13 13:18:00 328

原创文献阅读2015-Application of Texture Analysis in the Differential Diagnosis of Benign and Malignant

文献阅读2015-Application of Texture Analysis in the Differential Diagnosis of Benign and Malignant Thyroid Nodules: Comparison With Gray-Scale Ultrasound and Elastography目标:本研究的目的是探讨在甲状腺结节的良、恶性鉴别诊断中，使用直方图和共现矩阵分析的最佳子集，并与灰度超声和弹性成像的结果进行比较。方法：从灰度超声和弹性图像中提取直方图参数(

2020-09-11 09:36:23 88

原创跑程序学习到的一些代码

c1 Tqdm 是一个快速，可扩展的Python进度条，可以在 Python 长循环中添加一个进度提示信息，用户只需要封装任意的迭代器 tqdm(iterator)。用法：from tqdm import tqdmfor i in tqdm(range(1000)): #do something pass 结果如下：2 os.listdir() 方法os.listdir() 方法用于返回指定的文件夹包含的文件或文件夹的名字的列表。这个列表以字母顺序。用法示例：imp

2020-09-10 15:43:40 273

原创论文阅读2020-Differential Diagnosis of Benign and Malignant Thyroid Nodules Using Deep Learning

2020-Differential Diagnosis of Benign and Malignant Thyroid Nodules Using Deep Learning Radiomics of Thyroid Ultrasound Images方法：一个基础CNN，一个迁移学习，和一个新提出的deep learning Radiomics of thyroid (DLRT)比较。一个名叫Radiomics基于机器学习的新兴技术可以提取和分析成千上万的定量计算图像特征从医学图像(也称为Radiom

2020-09-10 15:42:55 369

原创近期学习方法总结

近期学习方法总结1 在甲状腺预处理过程中，使用对比度限制自适应直方图均衡化(CLAHE)（S.M. Pizer, E.P. Amburn, J.D. Austin, R. Cromartie, A. Geselowitz, T. Greer, B. ter Haar Romeny, J.B. Zimmerman, K. ZuiderveldAdaptive histogram equalization and its variations.Comput. (1987),处理超声图像中的衰减伪影。CLA

2020-09-08 09:32:08 264

翻译文献阅读2016-A deep feature based framework for breast masses classification

A deep feature based framework for breast masses classification这篇论文写的比较早了，设计了一个基于深度特征的乳腺肿块分类框架。它主要包括一个卷积神经网络(CNN)和一个决策机制。这个CNN结构很简单，5个卷积层和3个FC层。所选择的用于训练分类器的特征从网络的两层中提取。分类器将输入图像分成两类。具体来说，它们来自于Conv5和Fc7层，这两层都是列向量形式，然后在训练数据集上训练两个基于层次特征的线性SVM分类器，并在测试数据集上进行测

2020-09-04 13:08:30 196

翻译 2017Ultrasound image-based thyroid nodule automatic segmentation using convolutional neural networks

阅读文献2017-Ultrasound image-based thyroid nodule automatic segmentation using convolutional neural networks方法：基于cnn的方法将甲状腺结节分割问题作为一个patch分类任务，忽略了patch之间的关系。CNN使用正常甲状腺和甲状腺结节图像中的图像块作为输入，然后生成分割概率图作为输出。采用多视图策略来提高基于网络的模型的性能。此外，还将这种方法与常用的分割方法在同一数据集上的性能进行了比较。我们的C

2020-09-03 11:16:32 465 1

原创文献阅读级联与融合多任务卷积神经网络在增强CT中检测甲状腺结节

2019-Cascade and Fusion of Multitask Convolutional Neural Networks for Detection of Thyroid Nodules in Contrast-Enhanced CT**方法：**采用改进的U-Net结构的全卷积网络对感兴趣的甲状腺区域进行分割，并提出卷积神经网络融合(CNN-Fs)从感兴趣区域图像和原对比度增强CT图像中检测甲状腺良恶性结节。具体为：利用改进的U-Net (DenseU-Net)对甲状腺CT图像感兴趣的区

2020-09-02 15:37:44 470

转载图像分割简单总结

图像分割简单总结图像分割的历史简单总结了图像分割的几个时期：2000年之前，数字图像处理时我们采用方法基于几类：阈值分割、区域分割、边缘分割、纹理特征、聚类等。2000年到2010年期间，主要方法有四类：基于图论、聚类、分类以及聚类和分类结合。2010年至今，神经网络模型的崛起和深度学习的发展，主要涉及到几种模型。截至到2017年底，我们已经分化出了数以百计的模型结构。当然，经过从技术和原理上考究，我们发现了一个特点，那就是当前最成功的图像分割深度学习技术都是基于一个共同的先驱：FCN（Ful

2020-09-02 15:36:17 480

原创集成学习的一些总结

集成学习介绍集成学习是机器学习的一种分类，它不同于CNN网络算法，集成学习是一-种思路，通过集合几个机器学习的弱分类器来达到学习效果提升的目的。集成学习的强分类器可以克服各个弱分类器自身的缺点(比如算法的差异、分类器适用范围的差异)，从而通过分治的思想，把一个大问题分成若千个小问题，再通过训练相应的弱分类器将这些小问题各个击破。集成学习应用广泛，比如数据集过大，一个分类器难以收敛,我们可把数据集分为几个子集，在每个子集上使用弱分类器分别进行学习，最后再把这些弱分类器以某种方式结合起来，不仅能提取到原数据集

2020-09-01 21:50:12 646

原创阅读文献2017-Thyroid Nodule Classification in Ultrasound Images by Fine-Tuning Deep Convolutional Neura

阅读文献2017-Thyroid Nodule Classification in Ultrasound Images by Fine-Tuning Deep Convolutional Neural Network 笔记摘要：1 超声图像经过预处理，以校准其规模和消除伪影。2 利用领先于特征提取的预处理图像样本，对预先训练好的GoogLeNet模型进行微调。3 将提取的甲状腺超声图像特征送入代价敏感的随机森林分类器，将图像分为良性和恶性。流程如下：在开放数据库和自己的数据库都做了实验。开放

2020-08-05 11:52:38 647 4

原创关于安装keras的过程以及tensorflow与keras版本匹配

关于安装keras的过程以及tensorflow与keras版本匹配之前安装了tensorflow,最近想跑下程序，需要安装keras，Keras是一个由Python编写的开源人工神经网络库，可以作为Tensorflow、Microsoft-CNTK和Theano的高阶应用程序接口。看了一些博客，安装了Theano，绕了远路，卸载后重新安装。作为小白，上来就犯了个错误，我没有在tensorflow环境下安装keras,再次卸载。然后我激活tensorflow，又出错了，应该是激活tensorflow

2020-07-17 14:22:57 1716 2

原创文献 Application of deep learning tothe diagnosis of cervical lymph node metastasis from thyroid阅读笔记

文献 2019.02-Application ofdeeplearning tothe diagnosis of cervical lymph node metastasis from thyroid cancer with CT 阅读笔记本论文的目的是利用CAD系统，进行甲状腺癌颈淋巴结转移的CT诊断。用8种CNN模型将图像划分为转移性或良性淋巴结。在ImageNet上使用预先训练好的网络，选择性能最好的算法。采用全局平均池化的方法，用注意力热图可视化分类区分区域。颈部淋巴结转移（LNM）被认为是甲状

2020-07-15 20:02:20 275

翻译阅读文献 Cascade convolutional neural networks for automatic detection of thyroid nodules in ultrasound

阅读文献 Cascade convolutional neural networks for automatic detection of thyroid nodules in ultrasound images 笔记1 对于甲状腺结节的检测问题虽然已有的研究已经取得了令人鼓舞的结果，但它们大多是基于手工从图像中提取特征并进行一系列预处理。此外，有效特征的提取是一项具有挑战性的任务，需要借助分类器进行特征选择和特征集成。文章提出级联卷积神经网络(CNNs)从二维超声图像中检测甲状腺结节。2 本文提出

2020-07-05 09:42:33 681

jinzi_a的博客