3D-SKIPDENSESEG医学图像分割

已于 2022-11-28 17:14:40 修改
阅读量756 收藏 1
点赞数 1
分类专栏： Python 文章标签： 计算机视觉 深度学习 python
于 2022-11-27 21:59:57 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_40222848/article/details/128060357
版权

在这里插入图片描述
蓝色三角、黄色三角、红色三角相对应。
得到第三个feature map，绿色反卷积会恢复到原来的尺寸
Dense block，通道增加了
Transition，池化
在这里插入图片描述
用正则表达式把里面的h5文件匹配一下吧
os.path.join()把两个部分的路径拼一下
root_path —data_train
*.h5，不管名字是什么，只要后缀是h5，就把它匹配一下
glob，遍历所有.h5文件
得到data_train里面的八个subject
在这里插入图片描述
mode，数据集处理的是训练集or测试集or验证集，用一个标志位键区别一下。传进来的是train，就知道对training dataset进行一个处理
在这里插入图片描述
数据扩充，尽量保持原始数据
前提是训练数据，验证集不能扩充，验证集扩充，准确率就没有意义了
在这里插入图片描述
有可能传进来的，是对测试集和验证集处理
在这里插入图片描述
知道长度了，给我一个索引，返回一个训练样本
在这里插入图片描述
要转成64 * 64 * 64固定大小的patch
在这里插入图片描述
得到这样的数据
在这里插入图片描述

需要64 64 64，还需要什么，还需要一个batch_size，batch_size个patch，去掉一个维度
在这里插入图片描述
去掉第二个维度，其余不变
在这里插入图片描述
为什么记录长宽高，我们要从不固定大小的脑图像中裁patch
在这里插入图片描述
裁的开始位置是有讲究的
在这里插入图片描述
T1和T2两个特征，data_x不需要去维度了
在这里插入图片描述
cx是C的起始位置，cy是H的起始位置，cz是W的起始位置。0,1,2维度
在这里插入图片描述
为什么要随机裁，不从0开始
每一轮迭代的过程中，都希望从样本中取一个数据，每次从样本里取一个patch，如果每次从0开始取的话，就不能遍历脑图像的所有区域了。所以通过随机值的方式随机地取一个patch，如果训练轮数足够多的话，理论上是可以把闹图像的所有区域遍历到。
在这里插入图片描述

裁的开始位置是cx，结束位置，这个维度的
在这里插入图片描述
不直接传一个数字，往往我们需要64 48 32，所以体现这样写的用意了
在这里插入图片描述
为什么是0，限制返回的结果是一个，一条索引返回一个数据
batch_size的维度一定要相同，
在这里插入图片描述
验证集取中心位置，每一个iteration都是这个位置，验证集才有价值。如果每轮patch都在变的话，验证就失去价值了
在这里插入图片描述
模块注册
Sequential、ModuleList 自动注册
add_module 手动注册
在这里插入图片描述
在这里插入图片描述
调用父类的forward函数，就可以把这个流程跑一遍，是因为我们已经手动地把这些模块自动注册了
在这里插入图片描述
遍历每一个模块，如果是卷积操作的话，用正态分布这种初始化方式
在这里插入图片描述
为什么用ModuleList，它的索引是可以利用上的，第一轮循环的时候，i = 0的时候，放到upsampling list就是第一个元素，i = 1的时候，第二个元素，非常方便，通过它的索引去取，并且，取到的时候可以还原kernel_size的大小
在这里插入图片描述
在这里插入图片描述
通道从2到32
在这里插入图片描述

fu_gui_mu_dan
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
3D Densely Convolutional Networks for Volumetric Segmentation论文阅读
qq_44190142的博客
07-27 346
Abstract. 在等强度阶段，由于组织之间的低对比度，准确的体积图像分割是一项具有挑战性的任务。 在本文中，我们提出了一种基于密集卷积网络的新型超深网络架构，用于体积大脑分割。所提出的网络架构提供了层之间的密集连接，旨在改善网络中的信息流。 通过连接细密块和粗密块的特征图，它允许捕获多尺度上下文信息。实验结果表明，在 6 个月婴儿脑 MRI 分割的 MICCAI 大挑战中，所提出的方法在分割精度和参数效率方面比现有方法具有显着优势。 1 Introduction 体积脑图像分割旨在将脑组织分成不重叠的区
文献学习-30-GRAB-Net: 用于医学点云分割的图的边界感知网络
Metaphysicist的博客
04-08 3511
香港中文大学袁奕萱教授团队提出了一个包含 GBM、OCM 和 IFM 的 GRAB-Net 框架来解决点云分割中对偶约束不足和上下文混乱，在边界周围进行良好分割效果不佳的问题。 GBM提出在图域中建立语义和边界之间的全局关系，为生成高质量特征提供足够的对偶信息。OCM 利用上下文图在边界外分配适当的上下文。 此外，IFM 旨在通过样本内和样本间对比度减少边界内的特征模糊性。大量实验验证了所提出方法的优越性。 此外，消融实验证明了每个组件的有效性。
三维点云数据集—目标检测、分类、匹配
热门推荐
小阿福的博客
09-19 5万+
三维点云数据集 做三维点云处理，常常因为数据烦恼，因此想把所用过下载过的数据集整理一下，若有不准确或者更多的资源，欢迎万能的网友们提点并告知（持续更新）。。。 1. The Stanford 3D Scanning Repository（斯坦福大学的3 d扫描存储库） 链接：http://graphics.stanford.edu/data/3Dscanrep/ 这应该是做点云数据最初大家...
3D图像分割：Thickened 2D Networks for 3D Medical Image Segmentation
WYXHAHAHA123的博客
04-03 6450
Thickened 2D Networks for 3D Medical Image Segmentation https://arxiv.org/pdf/1904.01150.pdf 本文研究的是血管分割（blood vessels），使用的是3D CT图像。将深度学习用于3D image segmentation，具体到医学图像分割中是三维空间的二分类问题。即确定3D voxel体素...
使用pytorch将三维图像分块(patches)
pp2373886592的博客
09-11 1628
问题：高光谱图像输入为5维，即(batch_size, channels, bands, height, width) ，需要将其分为多个大小为(k, k, k)的小块，但pytorch的unfold函数只支持输入是四维的情况。解决方法：使用单独的包。
T3D基于DenseNet可变时序的3D视频行为识别网络
机器学习，深度学习
08-30 5442
Temporal 3D ConvNets: New Architecture and Transfer Learning for Video Classification 论文地址：https://arxiv.org/pdf/1711.08200 最近读了一篇关于行为识别方向的文章《Temporal 3D ConvNets: New Architecture and Transfer L...
[深度学习论文笔记]Swin-Unet: Unet-like Pure Transformer for Medical Image Segmentation
Slientsake的博客
05-26 4万+
Swin-Unet: Unet-like Pure Transformer for Medical Image Segmentation Swin-Unet：用于医学图像分割的类Unet纯transformer 论文：https://arxiv.org/abs/2105.05537 代码：https://github.com/HuCaoFighting/Swin-Unet
[3DUNet-MRI图像预处理1]校正偏差域+裁剪patch+归一化
gefeng1209的博客
05-21 1万+
1. 校正偏差域 诸如扫描仪中的患者位置，扫描仪本身以及许多未知问题等因素可导致MR图像上的亮度差异。 换句话说，强度值（从黑色到白色）可以在同一组织内变化。 这被称为偏置场。 这是一种低频平滑的不良信号，会破坏MR图像。 偏置场导致MRI机器的磁场中的不均匀性。 如果未校正偏置字段将导致所有成像处理算法（例如，分段（例如，Freesurfer）和分类）输出不正确的结果。 在进行分割或分类之前，...
VTK学习（十二）图像切面提取
yuyangyg的博客
11-13 5689
/*编程环境VS2013+VTK7.1，By yyy 2017.11.13*/ #include "vtkAutoInit.h" VTK_MODULE_INIT(vtkRenderingOpenGL2); // VTK was built with vtkRenderingOpenGL2 VTK_MODULE_INIT(vtkInteractionStyle); #include #i
医学成像中的深度学习——基于PyTorch的3D 医学图像分割
BBM的博客
05-14 1万+
计算机视觉领域深度网络的兴起为经典图像处理技术表现不佳的问题提供了最先进的解决方案。在图像识别的广义任务中，包括目标检测、图像分类和分割、活动识别、光流和姿态估计等问题，我们可以很容易地声称 DNN（深度神经网络）取得了卓越的性能。
半监督3D医学图像分割（四）：SASSNet
weixin_44858814的博客
10-23 3735
​ 作者在分割网络的最后一层，增加一条支路输出SDM（signed distance map，带符号距离映射），SDM是分割二值图中，每个像素到目标边界的距离，包含目标的表面和形状信息。​ 这篇文章提出的形状感知半监督分割方法，在网络中加入更灵活的几何表示，以便对分割输出执行全局形状约束，同时处理具有不同位置或形状的目标，探究有标签和无标签图像的预测结果在几何空间上的一致性。有标签的图像和无标签的图像，分别标记为1和0，判别器（D）的输出在[0, 1]，越接近1，说明和有标签的图像越相似。
计算机视觉篇2 图像分类
bluewelkin的专栏
07-17 394
图像分类是指将输入的图像自动分类到预定义的一组类别中的过程。这个过程通常包括图像特征提取、特征表示和分类器三个主要步骤。图像分类的目标是让计算机能够识别并分类不同的图像，从而在各种应用场景中发挥作用，如智能监控、自动驾驶、医疗诊断等。
图像细节增强：锐化处理的实践与分析
AI心易行者
07-17 1360
图像处理是计算机视觉领域的核心技术之一，它涉及到图像的增强、恢复、变换等多个方面。其中，图像锐化处理是增强图像边缘和细节的一种重要技术。在本文中，我们将深入探讨图像锐化处理的基本原理、实验方法以及实际应用效果。
maixcam通过YOLOv5实现目标检测与电机控制：检测数字并控制电机正反转
最新发布
m0_63715549的博客
07-20 275
maixcam通过YOLOv5实现目标检测与电机控制：检测数字并控制电机正反转
计算机视觉发展历程
时光会把你雕刻成，你应有的模样！
07-18 1282
计算机视觉作为人工智能领域的重要分支，其发展历程经历了从萌芽到广泛应用的多个阶段。这一过程不仅见证了技术的飞速进步，也深刻影响了多个行业的发展。
目标检测入门：4.目标检测中的一阶段模型和两阶段模型
weixin_43946736的博客
07-17 596
目标检测作为计算机视觉领域的核心人物之一，旨在从图像中识别出所有感兴趣的目标，并确定它们的类别和位置。现在目标检测以一阶段模型和两阶段模型为代表的。本章将对这两种模型进行介绍。
Matlab课程设计——手指静脉识别项目
一个码农的博客
07-17 566
本项目实现手指图像的处理和匹配算法，需要处理的数据是本人不同手指的图像，首先经过图像处理，使得指静脉的纹理增强凸显处理，然后将所有的这些图像进行相互间的匹配，检验类内和类间的匹配度，观察其是否能够明显区分开来，并据此计算正确率。在本项目中，由于是基于算法原型的研究，因此我们选用了操作便捷的Matlab R2019b软件作为运行环境，在Windows 10 Pro for Workstation操作系统中实现算法。算法分为以下几个过程：图像预处理过程中，需要增强图像，提取手指区域，为识别做准备。
昇思25天学习打卡营第24天|应用实践之Pix2Pix实现图像转换
m0_52501541的博客
07-17 776
今日要实践的模型是Pix2Pix模型，用于图像转换。使用官方的指定数据集，该数据集是已经经过处理的外墙（facades）数据，可以直接使用mindspore.dataset的方法读取。由于Pix2Pix模型是基于cGAN（条件生成对抗网络），本文会先简单介绍cGAN图像生成的原理，再简单介绍一下Pix2Pix模型，然后展示自己的运行结果，不作代码展示，最后进行总结。
基于YOLOv8深度学习的水果智能检测系统【python源码+Pyqt5界面+数据集+训练代码】深度学习实战、目标检测、卷积神经网络
阿旭的博客
07-18 920
基于YOLOv8深度学习的水果智能检测系统【python源码+Pyqt5界面+数据集+训练代码】深度学习实战、目标检测、卷积神经网络
目标检测经典模型之YOLOV5-detect.py源码解析（持续更新）
Mickey的博客
07-17 258
本帖是YOLOV5推理部分代码的中文逐行注释。由于AI注释的缘故，可能与源码会有小部分出入，所以不建议复制粘贴替换源码的detect.py文件。本贴的初衷是YOLOV5源码逻辑的学习，后续会不断修正该代码和加入新的注释。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值