m0_46272163的博客

原创 Hounsfield Units and Windows

原文：https://www.sciencedirect.com/topics/medicine-and-dentistry/hounsfield-scale参考：Imaging the Head and Brain - ScienceDirect组织密度用Hounsfield尺度表示，水的Hounsfield单位为0 (HU)，比水密度大的组织为正值，比水密度小的组织为负值(图1-1)。按照惯例，低密度组织被赋予较深(黑色)的颜色，高密度组织被赋予较亮(白色)的颜色。由于人眼只能感知有限数.

原创 笔记：CV分割模型

原创 (转)python图像数据增强——imgaug

原文链接：https://blog.csdn.net/limiyudianzi/article/details/86497345from imgaug import augmenters as iaa #引入数据增强的包sometimes = lambda aug: iaa.Sometimes(0.5, aug) #建立lambda表达式，这里定义sometimes意味有时候做的操作，上一讲中我们有看到加入高斯模糊的例子，在那里，实际上是对每一张图片都进行了高斯模糊的处理，然而实际上在深度学

原创 笔记：DRLSE模型

Distance Regularized Level Set Evolution and Its Application to Image Segmentation原文链接：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=5557813

原创 笔记：Image Reconstruction by Minimizing Curvatures on Image Surface

Image Reconstruction by Minimizing Curvatures on Image Surface通过最小化图像表面曲率来重建图像原文链接：https://doi.org/10.1007/s10851-020-00992-3背景设是定义在开边界子集上的具有Lipschitz连续边界的像。对于每个灰度λ，通过将长度能量作为曲线模型，它产生众所周知的总变化(TV)正则化[42]曲率可以描述直线或曲面偏离平面的情况下的曲线数量，欧拉弹性图像模型定义为：..

原创 笔记：Deep Snake for Real-Time Instance Segmentation

Deep Snake for Real-Time Instance Segmentation（Deep Snake用于实时实例分割）参考链接：https://blog.csdn.net/racesu/article/details/107068468与最近一些直接从图像中回归物体边界点坐标的方法不同，deep snake使用神经网络迭代变形初始轮廓来匹配物体边界，这通过基于学习的方法实现了snake算法的经典思想。对于轮廓的结构化特征学习，我们提出在deep snake中使用循环卷积，与一般图卷积相

原创 笔记：Learning Calibrated Medical Image Segmentation via Multi-rater Agreement Modeling

Learning Calibrated Medical Image Segmentation via Multi-rater Agreement Modeling（通过多评分者协议建模学习校正医学图像分割）链接：https://www.jianshu.com/p/a82c0ad728f1 在医学图像分析中，通常需要收集多个注释，每个注释来自不同的临床专家或评分者，以期减轻可能的诊断错误。与此同时，从计算机视觉从业者的角度来看，采用ground-truth标签已经成为一种常见的做法，该...

原创 笔记：Multi-scale guided attention for medical image segmentation

Multi-scale guided attention for medical image segmentation（医学图像分割的多尺度自导向注意）特征融合策略：金字塔池化，空洞卷积金字塔尽管这些策略可能有助于在不同尺度上捕获对象，但所有图像区域的上下文依赖都是同构的、非自适应的，忽略了不同类别的局部表示和上下文依赖之间的差异。这些多上下文表示是手工设计的，缺乏对多上下文表示建模的灵活性。这使得在这些方法中无法充分利用整个图像中的长距离对象关系，这在许多医学图像分割问题中具有至关重要的意义

原创 笔记：Attention U-Net:Learning Where to Look for the Pancreas

原文：https://arxiv.org/pdf/1804.03999.pdf引用：https://bbs.cvmart.net/articles/3258提出了一种新的attention gate(AG)模型的医学成像自动学习聚焦在不同形状和大小的目标结构。经过AGs训练的模型隐式学习抑制输入图像中的无关区域，同时突出对特定任务有用的显著特征。这使我们能够消除使用级联卷积神经网络(CNNs)的显式外部组织/器官定位模块的必要性。AGs可以很容易地集成到标准的CNN架构中，如U-Net模型，以最

原创 BatchNorm2d()函数

在卷积神经网络的卷积层之后总会添加BatchNorm2d进行数据的归一化处理，这使得数据在进行Relu之前不会因为数据过大而导致网络性能的不稳定，BatchNorm2d()函数数学原理如下：BatchNorm2d()内部的参数如下：1.num_features：一般输入参数为batch_size*num_features*height*width，即为其中特征的数量2.eps：分母中添加的一个值，目的是为了计算的稳定性，默认为：1e-53.momentum：一个用于运行过程中均值和.

原创 笔记：注意力

The Application of Two-level Attention Models in Deep Convolutional Neural Network for Fine-grained Image Classification（两级注意力模型在深度卷积神经中的应用细粒度图像分类网络）细粒度分类具有挑战性，因为类别只能通过细微的和局部的差异来区分。姿势、比例或旋转的差异通常会使问题更加困难。大多数细粒度分类系统遵循寻找前景对象或对象部分(在哪里)的管道，以提取鉴别特征(什么)。本文提出将视