托比-马奎尔-CSDN博客

原创 5.23.2 深度学习提高乳房 X 光检查中乳腺癌的检测率

开发了一种深度学习算法，该算法可以使用“端到端”训练方法在筛查乳房 X 光检查中准确检测出乳腺癌，该方法有效地利用了具有完整临床注释或仅具有整个图像的癌症标签的训练数据集。在这种方法中，仅在初始训练阶段才需要病变注释，后续阶段只需要图像级标签，从而消除了对很少可用的病变注释的依赖。与以前的方法相比，我们用于对筛查乳房 X 光检查进行分类的全卷积网络方法获得了出色的性能。作为图像分类任务，通过筛查性乳房X光检查检测亚临床乳腺癌具有挑战性，因为肿瘤本身仅占据整个乳房图像的一小部分。

2024-05-24 17:59:46 713

原创 5.23.1 深度学习在乳腺癌成像中的应用

通常，乳房成像是使用数字乳房X线摄影（DM）、数字乳房断层合成（DBT）、超声（US）、磁共振成像（MRI）或上述的组合来进行。在 DM 中，X 射线穿过乳房并由数字 X 射线探测器收集，创建乳房的二维 (2D) 图像。然而，它存在组织叠加的问题。特别是在致密乳房（纤维腺体组织密度较高的乳房）中，纤维腺体组织掩盖病变的机会很高。在 DBT 中，从稍微不同的位置进行多次 X 射线扫描，从而产生与 DM 相比叠加效应减少的（部分）断层扫描图像。DBT 的一个缺点是其解释更加困难，导致阅读时间增加。

2024-05-23 22:15:58 665

原创 5.14.10 使用 Swin Transformers 集合对组织病理学图像中的乳腺癌进行多类分类

乳腺癌的非侵入性诊断程序涉及体检和成像技术，例如乳房 X 光检查、超声检查和磁共振成像 [3,4]。然而，体外检查可能无法及早发现它，并且影像学检查对于更全面地评估癌变区域和识别癌症亚型的敏感性较低[5,6]。通过乳腺活检进行的组织病理学成像，即使是微创的，也可以准确识别癌症亚型并精确定位病变[7]。CNN 表现出固有的归纳偏差，并且会随着图像中感兴趣对象的平移、旋转和位置而变化。因此，在训练 CNN 模型时通常会应用图像增强，尽管数据增强可能无法在训练集中提供预期的变化。

2024-05-21 20:35:38 822

原创 5.14.6 TransMed：Transformer推进多模态医学图像分类

TransMed 结合了 CNN 和 Transformer 的优点，可以有效地提取图像的低级特征并建立模态之间的远程依赖关系。我们在两个数据集（腮腺肿瘤分类和膝盖损伤分类）上评估了我们的模型。将 Transformer 应用于计算机视觉任务的方法。与文本相比，图像涉及更大的尺寸、噪声和冗余模态。人们提出了大量基于 Transformer 的方法，例如用于目标检测的 DETR [2]、用于语义分割的 SETR [3]、用于图像分类的 ViT [4] 和 DeiT [5]。

2024-05-21 14:12:04 890

原创 5.14.5 不同 CNN 对超声图像乳腺肿瘤分类的比较

乳腺癌是女性最常见的癌症，癌症筛查是通过乳房超声 (BUS) 成像和乳房 X 光检查进行的。目前的问题是需要依赖大型且带注释的BUS数据集进行CNN训练。缓解这个问题的一个可能的解决方案是利用迁移学习和微调。

2024-05-20 21:42:00 845

原创 5.14.3 UNETR：用于 3D 医学图像分割的 Transformers

具有收缩和扩展路径的全卷积神经网络 (FCNN) 在大多数医学图像分割应用中表现出了突出的作用。在 FCNN 中，编码器通过学习全局和局部特征以及上下文表示来发挥不可或缺的作用，这些特征和上下文表示可用于解码器的语义输出预测。在FCNN中，收缩路径通常用于捕获图像的上下文信息，并逐步减少空间维度；而扩展路径则用于恢复空间维度，使输出图像的尺寸与输入图像相近，并提供更精细的分割结果。FCNN中卷积层的局部性限制了学习远程空间远程依赖性的能力。

2024-05-20 19:48:57 966

原创 5.14.2 使用 Transformer 进行无卷积医学图像分割

图像分割是医学图像分析的核心任务。它通常用于量化感兴趣的体积/器官的大小和形状、人口研究、疾病量化、治疗计划和计算机辅助干预。医学图像分割中的经典方法涵盖从区域生长[11]和可变形模型[36]到基于图集的方法[32]、贝叶斯方法[29]、图割[26]、聚类方法[12]等。目前工作的一个共同特征是使用卷积运算作为网络的主要构建块。所提出的网络架构在卷积运算的排列方式方面也有所不同。人们已经尝试使用循环网络和注意力机制进行医学图像分割。卷积运算的有效性归因于：①局部（稀疏）连接；②参数（权重）共享；

2024-05-20 12:06:59 757

原创使用多实例学习进行乳腺癌组织病理学图像分类和定位

乳腺癌是女性最主要的死亡原因，病理学家根据病理切片中观察到的各种视觉特征（例如细胞核的形态特征、细胞核的微观和宏观结构等）做出决定。计算机辅助诊断（CAD）系统可以帮助病理学家自动做出决策。卷积神经网络是最广泛使用的深度学习框架，用于学习图像类别之间的复杂判别特征。多年来，VGG16 [3] 和 ResNet18 [4] 等各种 CNN 架构在海量 ImageNet 数据集上产生了出色的结果。CNN 被用于医学图像以产生最先进的结果。为图像中存在的所有类别提供了定位信息。

2024-05-16 21:26:15 1411

原创 5.14.1 使用超声图像进行乳房肿块数据增强和分类的深度学习方法

医学成像是诊断多种疾病和分析实验结果的重要工具。生物医学成像是整体癌症护理基础的一部分。数字乳腺X线摄影Digital Mammography（DM）是乳腺癌诊断中最常用和最实用的技术。DM 成像在致密乳房中存在一些弱点，其中肿瘤可能被周围组织隐藏（致密组织与肿瘤相比具有类似的衰减）。在实践中，超声 (US) 成像是 DM 的最佳替代方法，由于其敏感性、安全性和多功能性，它被用作乳腺癌分类和检测的补充方法。然而，超声成像的弱点是它依赖于手工，更多地依赖于放射科医生。

2024-05-16 16:46:26 990

原创 5.12.1 Detecting and classifying lesions in mammograms with Deep Learning

计算机辅助检测 (CAD) 系统的开发是为了帮助放射科医生分析筛查性乳房 X 光检查，深度 CNN 有可能彻底改变医学图像分析。我们提出了一种基于最成功的对象检测框架之一的 CAD 系统。该系统无需任何人为干预即可检测乳房 X 光照片上的恶性或良性病变并对其进行分类。Region-based Convolutional Neural Networks，是一种基于卷积神经网络（CNN）的目标检测算法。

2024-05-14 21:19:08 885

原创 5.10.10 用于图像识别的深度残差学习

深度卷积神经网络为图像分类带来了一系列突破。深度网络自然地以端到端的多层方式集成低/中/高级特征和分类器，并且特征的“级别”可以通过堆叠层的数量（深度）来丰富。这个问题的一个障碍是臭名昭著的梯度消失/爆炸问题，它从一开始就阻碍了收敛。然而，这个问题已在很大程度上通过和中间归一化层得到解决，这些归一化层使具有数十层的网络能够开始收敛于具有反向传播的随机梯度下降（SGD）。当更深的网络能够开始收敛时，退化问题就暴露出来了：随着网络深度的增加，准确性变得饱和，然后迅速退化。

2024-05-14 14:13:10 989

原创 5.10.8 Transformer in Transformer

Transformer是一种主要基于自注意力机制的神经网络，它可以提供不同特征之间的关系。CV 任务中的输入图像和真实标签之间存在语义差距。ViT 将给定图像划分为多个局部块作为视觉序列。然后，可以自然地计算任意两个图像块之间的注意力，以便为识别任务生成有效的特征表示。

2024-05-12 21:49:58 814

原创 5.10.6 用于乳腺癌超声图像分类的Vision Transformer

医学超声（US）成像由于其易用性、低成本和安全性已成为乳腺癌成像的主要方式。卷积神经网络（CNN）有限的局部感受野限制了他们学习全局上下文信息的能力。利用 ViT 对使用不同增强策略的乳房 US 图像进行分类。卷积神经网络（CNN）已成为自动医学图像分析应用（例如图像分类）中最常见的网络。然而，由于其局部感受野，这些模型在学习长距离信息方面表现不佳，限制了它们执行视觉任务的能力。用于图像分类应用的 Vision Transformer (ViT) 架构。

2024-05-12 17:36:25 592

原创 5.10.4 Vision Transformer的条件位置编码（CPE）

绝对位置编码方案可能会破坏平移等价性，因为它为每个标记（或每个图像块）添加了唯一的位置编码。相对位置编码不仅会带来额外的计算成本，而且还需要修改标准 Transformer 的实现。在这项工作中，我们提出了一种新颖的位置编码（PE）方案，将位置信息合并到 Transformer 中。所提出的 PE 是动态生成的，并以输入标记的局部邻域为条件。因此，我们的位置编码可以随着输入大小而变化，并尝试保持平移等价性。

2024-05-12 11:28:25 923

原创 5.10.3 使用 Transformer 进行端到端对象检测（DETR）

对象检测的目标是预测每个感兴趣对象的一组边界框和类别标签。在计算机图形学和图像处理中，锚点（Anchor Point）是一个特定的位置，通常用于描述图像中的特征点或区域。它可以是单个像素点，也可以是一个更复杂的区域如矩形或椭圆。锚点的主要作用是为图像处理和计算机视觉任务提供一个参考点，以便更准确地描述和定位图像中的特征。在目标检测任务中，锚点用于预测目标物体的位置和大小；在图像匹配任务中，它帮助找到图像中的相似区域。

2024-05-11 17:15:06 1314 1

原创 5.10.1 Pre-Trained Image Processing Transformer

图像处理是更全局的图像分析或计算机视觉系统的低级部分的组成部分之一。图像处理的结果很大程度上影响后续高层部分对图像数据的识别和理解。近年来，深度学习已广泛应用于解决低级视觉任务，例如图像超分辨率、修复、去雨和着色。由于许多图像处理任务都是相关的，因此很自然地期望在一个数据集上预训练的模型可以对另一个数据集有所帮助。在计算机视觉中，deraining是指图像去雨的过程。具体来说，deraining技术旨在从被雨水影响的图像中恢复出清晰、无雨的图像内容。

2024-05-11 10:56:56 771

原创邻域注意力Transformer

邻域注意力（NA），这是第一个高效且可扩展的视觉滑动窗口注意力机制，NA是一种逐像素操作，将自注意力（SA）定位到最近的相邻像素，因此与SA的二次复杂度相比，具有线性时间和空间复杂度。与Swin Transformer的窗口自注意力不同，滑动窗口模式允许NA的感受野增长，而无需额外的像素移位，并保留平移等变性。Neighborhood Attention Transformer可以自适应地将接收域定位到每个token周围的一个邻域，在不需要额外操作的情况下引入局部归纳偏差；

2024-05-10 19:11:14 672

原创 5.08.7 CMT: Convolutional Neural Networks Meet Vision Transformers

将基于 Transformer 的架构应用于视觉领域，并在图像分类、目标检测和语义分割等各种任务中取得了有希望的结果。Vision Transformer (ViT)是第一个用纯 Transformer 替代传统 CNN 主干的工作。输入图像（224×224×3）首先被分割成196个不重叠的patch（每个patch的固定大小为16×16×3），这类似于NLP中的单词token。然后将这些补丁送入堆叠的标准转换器块中，以对全局关系进行建模并提取用于分类的特征。

2024-05-10 17:58:58 813

原创 5.07 Pneumonia Detection in Chest X-Rays using Neural Networks

北美放射学会 (RSNA) 是一个由放射科医生、医疗专业人员和其他医学物理学家组成的国际协会。他们提出，机器学习可以通过优化可能的肺炎病例，帮助确定优先顺序并加速评估可能的肺炎病例初步检测（影像学筛查）。每张 X 射线图像均采用医学数字成像和通信 (DICOM) 格式，这是全球公认的标准医学成像格式。它是一种附加元数据以及像素数据或图像数据的格式。因此，每张图像都有元数据信息，如患者 ID、姓名、年龄和其他图像相关数据。从数据和调查中收集的推论用于创建基本的 CNN 模型。

2024-05-09 16:14:22 993

原创 4.26.7具有超级令牌采样功能的 Vision Transformer

Transformer主导着自然语言处理领域，并表现出通过自注意力捕获长程依赖关系的出色能力。自注意力的计算复杂度与标记数量成二次方，导致高分辨率视觉任务（例如物体检测和分割）的计算成本巨大。ViT倾向于捕获具有高冗余的浅层局部特征。如图(b)所示，给定一个锚标记，浅层全局注意力集中在一些相邻的标记上（用红色填充），而忽略了大多数距离较远的标记。所有令牌之间的全局比较导致在捕获此类局部相关性时产生巨大的不必要的计算成本。

2024-05-08 21:30:43 748

原创 4.26.2超越注意力令牌：融入令牌的重要性和多样性，实现高效的Vision Transformer

Transformer成为自然语言处理和计算机视觉社区中最流行的架构。Vision Transformer在不同的视觉任务中实现了卓越的性能并超越了标准CNN，例如图像分类、语义分割和对象检测。Transformer最显著的特点是它能够通过自注意力机制有效捕获输入图像中的块之间的长程依赖关系。然而，令牌之间的二次交互显著降低了计算效率。我们的方法关注对图像预测贡献更大的区域，而不是无信息的背景。例如，动物的五个感觉器官被保留下来。它表明我们的方法有效地解耦了注意力和不注意力的标记。

2024-04-27 20:43:18 608

原创 4.18.2 EfficientViT:具有级联组注意力的内存高效Vision Transformer

假设输入特征图的通道数为C，组数为G，每组的通道数为C/G，那么组卷积的操作可以表示为。

2024-04-25 22:15:22 840

原创 RadioTransformer：用于视觉注意力引导疾病分类的级联全局焦点Transformer

医学图像解释和相关诊断很大程度上依赖于领域专家研究图像的方式。放射科医生在多年的不同领域的医学图像培训中磨练了他们的图像搜索技能。当前的诊断和预后模型仅限于图像内容语义，例如疾病位置、注释和严重程度，并没有考虑到这些丰富的辅助领域知识。他们主要通过手工制作的描述符或深度架构来学习疾病的纹理和空间特征。图像内疾病模式的空间依赖性通常由专家读者隐式解释，仅通过图像特征表示学习可能无法充分捕获。放射科医生在胸部X光片上的视觉搜索模式首先用于训练全局焦点教师网络，称为人类视觉注意力训练HVAT。

2024-04-25 21:19:58 1214

原创 4.20.1 深度神经网络提高放射科医生在乳腺癌筛查中的表现

BI-RADS分类是根据乳腺肿瘤恶性的可能性大小来对肿瘤进行分级，主要分为0~6级，共7个级别，可以评价乳腺病变程度，级别越高，恶性的程度也会越高。

2024-04-22 17:46:42 938

原创使用深度卷积神经网络进行 ImageNet 分类

大数据集包括 LabelMe（由数十万张完全分割的图像组成）和 ImageNet（由 22,000 多个类别的超过 1500 万张带标签的高分辨率图像组成）CNN就是这样一类模型，它们的容量可以通过改变深度和广度来控制，并且它们还对图像的性质（即统计的平稳性和像素依赖性的局部性）做出强有力且基本正确的假设。与具有类似大小层的标准前馈神经网络相比，CNN的连接和参数要少得多，更容易训练。

2024-04-17 16:02:15 806

原创基于深度学习的乳腺癌淋巴结转移预测模型（E-Transformer）

乳腺癌细胞淋巴结转移是界定乳腺癌早中期的重要标准，需要活检，患者体验较差。传统的图像辅助诊断需要手动提取特征、组合图像特征，效率低下、效果不佳。新兴的基于深度学习的图像辅助诊断，利用卷积神经网络通过全连接层或机器学习自动分割病灶、提取图像特征，并自动组合特征对癌症进行分类，为临床医生的诊断和治疗方案提供了新思路。但癌细胞是否有淋巴结转移在乳腺钼靶摄影中差异不大，难以区分，属于细粒度图像分类的问题。

2024-04-16 21:17:52 1005

原创基于变压器的手持式超声图像中乳腺病变的分类不一致性测量表征

超声成像作为一种替代的低成本、易于获取的非电离成像方式已显示出巨大的前景，可用于乳腺癌筛查。特别是，随着最近便携式设备的出现，超声检查预计将在中低收入国家中越来越普及。然而，超声成像在乳腺癌诊断中的可靠性高度依赖于操作超声医师和检查放射科医生的经验。为了解决这一限制，人们开发了计算机辅助诊断（CAD）工具来标准化超声测试。深度学习技术的进步使得肿瘤检测、分割和分类等任务实现自动化。卷积神经网络（CNN）在区分良性和恶性乳腺病变方面，通过结合从超声图像中提取的放射组学特征进一步提高此类模型的性能。

2024-04-16 19:27:29 881

原创数字乳腺癌组织病理学图像分类的Vision Transformer及其变体

Vision Transformer作为一种基于自注意力机制的高效图像分类工具被提出。近年来出现了基于Poolingbased Vision Transformer (PiT)、卷积视觉变压器(CvT)、CrossFormer、CrossViT、NesT、MaxViT和分离式视觉变压器(SepViT)等新模型。它们被用于BreakHis和IDC数据集上的图像分类，用于数字乳腺癌组织病理学。在BreakHis上训练之后，他们在IDC上进行微调，以测试他们的泛化能力。

2024-04-16 14:10:52 930

原创 ViT-DeiT:用于乳腺癌组织病理图像分类的集成模型

两种预训练Vision Transformer模型的集成模型，即Vision Transformer和数据高效视觉Transformer（Data-Efficient Image Transformer）。此集成模型是一种软投票模型。近年来，乳腺癌的分类研究主要集中在超声图像分类、活检数据分类、组织病理图像分类。Transformer广泛应用于自然语言处理（NLP），Transformer模型的结构包括编码器和解码器，。ViT结构仅由用于图像处理的编码器组成。

2024-04-14 17:19:34 751

原创 DCET-Net：用于乳腺癌组织病理学图像分类的双流卷积扩展变压器（ Dual-Stream Convolution Expanded Transformer ）

由于局部性的归纳偏差，CNN无法有效提取乳腺癌组织病理图像的全局特征信息，限制了分类结果的提高。本文合理地引入了纯 Transformer 的额外主干流，该主干流由自注意力机制组成，用于捕获组织病理学图像的全局感受野，从而补偿 CNN 主干的局部性特征。基于CNN和Transformer的两个主干流，提出了一种称为DCET-Net的双流网络，它同时考虑局部特征和全局特征，并逐步将这两个流中的它们组合起来形成最终的分类表示。

2024-04-14 14:57:58 662

原创使用深度学习集成模型进行乳腺癌组织病理学图像分类

基于预训练的VGG16和VGG19架构训练了四种不同的模型（即完全训练的 VGG16、微调的 VGG16、完全训练的 VGG19 和微调的 VGG19 模型最初，我们对所有单独的模型进行了5倍交叉验证操作。然后，我们采用集成策略，取预测概率的平均值，发现微调的 VGG16 和微调的 VGG19 的集成表现出有竞争力的分类性能，尤其是在癌症类别上。

2024-04-12 20:45:35 839

原创利用弱监督定位的高分辨率乳腺癌筛查图像的可解释分类器

医学图像在很多方面与典型的自然图像不同，例如更高的分辨率和更小的投资回报率。此外，全局结构和局部细节在医学图像的分类中都起着至关重要的作用。一种新颖的框架 GMIC，用于对高分辨率筛查乳房 X 光照片进行分类。GMIC 首先在整个图像上应用低容量但内存高效的全局模块来提取全局上下文并生成显著性图，以提供可能的良性/恶性发现的粗略定位。然后，它识别图像中信息最丰富的区域，并利用具有更高容量的本地模块从所选区域中提取细粒度的视觉细节。

2024-04-11 21:09:28 1168

原创具有可变形注意力的Vision Transformer

Vision Transformer堆叠多个Transformer块来处理不重叠的图像（即视觉标记）序列，从而形成用于图像分类的无卷积模型。与CNN模型相比，Transformer模型具有更大的感受野，并且擅长对远程依赖关系进行建模，事实证明在大量训练数据和模型参数的情况下可以实现优异的性能。视觉识别中的过多注意力是一把双刃剑，每个查询补丁需要参与的键数量过多会导致计算成本高、收敛速度慢，并且增加过度拟合的风险。

2024-04-10 17:35:46 865

原创计算机视觉中各种归一化算法

归一化算法是对激活函数的输入进行归一化将feature map shape设为[N,C,H,W]，其中N表示batch size，C表示通道数，H、W分别表示特征图的高度、宽度。

2024-04-09 17:58:10 1435 1

原创乳腺癌诊断的集成自注意力Transformer编码器

内科医生和放射科医生建议使用多种方法来发现乳腺癌，包括数字乳房x线摄影(DM)、超声(US)和磁共振成像(MRI)。CAD系统与乳腺x线影像结合，可提供乳腺密度、形状及肿块、钙化等疑似异常的相关信息。卷积神经网络(CNN)是最常用的深度学习方法。他们的端到端技术从输入图像中预测有意义和相关的属性。由于CNN技术可以自动从输入图像中提取特征，因此优于传统方法，因此在图像分类研究领域得到了更广泛的应用。

2024-04-09 16:38:41 953

原创基于逻辑回归和支持向量机的前馈网络进行乳腺癌组织病理学图像分类

CNN（卷积神经网络）通过使用反向传播方法来学习特征，这种方法需要大量的训练数据，并且存在梯度消失问题，从而恶化了特征学习。

2024-04-08 16:07:46 1151

原创基于Swin Transformers的乳腺癌组织病理学图像多分类

乳腺癌的非侵入性诊断程序涉及体检和成像技术，如乳房X光检查、超声检查和磁共振成像。成像程序对于更全面地评估癌症区域和识别癌症亚型的敏感性较低。CNN表现出固有的归纳偏差，并且对于图像中感兴趣对象的平移、旋转和位置有所不同。因此，通常在训练CNN模型时应用图像增强。Swin Transformer是视觉转换器的变体，基于非重叠移位窗口的概念，是一种用于各种视觉检测任务的成熟方法。用于分类任务的VIT实现全局自我注意力，其中计算图像补丁和所有其他补丁之间的关联。

2024-04-07 12:13:49 941

原创基于Vision Transformer的迁移学习在乳腺X光图像分类中的应用

乳房X线摄影(MG)在乳腺癌的早期发现中起着重要作用。MG可以在早期阶段发现乳腺癌，即使是感觉不到肿块的小肿瘤。基于卷积神经网络(CNN)的DL最近吸引了MG的大量关注，因为它有助于克服CAD系统的限制(假阳性、不必要的辐射暴露、无意义的活组织检查、高回调率、更高的医疗费用和更多的检查次数)。当其应用在整个乳房X光图像时，由于在不同特征级别的多重卷积，CNN的计算代价很高。首先聚焦于图像的特定区域，而不是整个图像，逐渐为整个图像建立特征。

2024-04-06 21:10:10 1035

原创 Breast Cancer Classification from Digital Pathology Images via Connectivity-aware Graph Transformer

一种新的连通性感知图形转换器（CGT），用于对从数字病理图像构建的组织图的拓扑连通性进行表现，用于乳腺癌分类

2024-04-06 16:55:16 1010

原创 SaTransformer：用于乳腺癌分类和分割的Semantic-aware Transformer

语义感知转换器（Semantic-aware Transformer）建立每个像素之间的相关性，用于全局结构和内容信息的提取。利用乳腺癌的全局结构的内容信息SaTransformer具有较少的内存和计算复杂度来提取全局信息的优势SaTransformer可以很容易地扩展到其他任务

2024-04-05 18:51:07 1304

空空如也

switch-case分支结构

C语言编程出现错误问题

C语言编程高富帅问题，报错

找到了照片的位置，但是不知道前端这个照片到底连接的那个照片在哪

导入整个工程之后，通过tomcat发布，但是最后的结果是这样。

网页方面的设置全部出现问题

导入工程之后包的地方报错

依赖说的是找不到这个项目，如何解决？

IDEA中怎样快速创建webapp包

IDEA中提示报错问题

premiere Pro2019文字工具没法使用

java编译时一直提示找不到符号，utility已编译