- 博客(11)
- 收藏
- 关注
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.
2022-03-02 17:11:42 2629
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
2021-07-23 10:29:53 656
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
2021-07-21 21:13:57 952 1
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:..
2021-07-21 10:57:08 371
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
2021-07-20 20:41:17 526
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...
2021-07-20 15:55:38 2289
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
2021-07-19 16:56:38 900
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
2021-07-19 15:16:22 723
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.
2021-07-19 14:32:07 1696
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
2021-07-19 13:32:44 390
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人