医学图像分割
文章平均质量分 89
花卷汤圆
They lead you into the green veldt where you can run forever.
展开
-
(四十:2021.02.26)MICCAI 2019 学习(二)《3D U^2-Net (Universal Unet)》【搁浅】
《3D U^2-Net: A 3D Universal U-Net forMulti-Domain Medical Image Segmentation》《3D U^2-Net:用于多域医学图像分割的3D通用U-Net》讲在前面讲在前面一.学习该算法的目的:之前;二.我设计了几种字体颜色用于更加醒目地表现关键的思想和主题:红色表示尚未理解透彻的一些概念蓝色表示对原来的理解做的一些修改或补充绿色表示此处需要参考的论文其他部分橙色表示本文的重要关键字紫色表示后续更新的内容我会用删除线将自己原创 2021-03-01 15:10:31 · 877 阅读 · 1 评论 -
(二十七:2021.01.08)MICCAI 2020 学习(二)《BiO-Net》
MICCAI 2020 学习(二)《BiO-Net:学习用于编码器-解码器结构的递归双向连接》《BiO-Net: Learning Recurrent Bi-directional Connections for Encoder-Decoder Architecture》)讲在前面摘要论文内容1.介绍1.1 U-Net Variants(U-Net的变体总结)1.2 Recurrent Convolutional Networks(递归神经网络)2.方法2.1 递归双向跳跃连接2.2 BiO-Net结构3.原创 2021-01-08 16:25:23 · 2810 阅读 · 0 评论 -
(二十五:2020.12.15)CVPR 2020 学习(三)《U^2 Net》训练实操(21.1.4更新)
《U^2 Net: Going Deeper with Nested U-Structure for Salient Object Detection》《借助嵌套U型结构深入研究显着物体》讲在前面一、如何整理你的医学图像数据集1.选择数据集2.转换你的data3.转换你的label4.将数据放置在对应的路径下二、使用你整理好的数据进行训练1.`ValueError: At least one stride in the given numpy array is negative, and tensors w原创 2020-12-15 19:01:49 · 2779 阅读 · 16 评论 -
(二十三:2020.12.14)CVPR 2020 学习(二)《U^2 Net》
《U^2 Net: Going Deeper with Nested U-Structure for Salient Object Detection》《借助嵌套U型结构深入研究显着物体》讲在前面摘要论文内容1.介绍2.之前的相关工作2.1 多级的深度特征整合2.2 多尺度特征提取3.我们提出的方法3.1 残差U型块3.2 U2-Net的结构3.3 监督策略4.实验结果4.1 数据集4.2 评估方法4.3 实现细节4.4 Ablation Study(消融研究)4.4.1 基本块上的消融研究4.4.2 结构原创 2020-12-15 11:28:39 · 722 阅读 · 0 评论 -
(十七:2020.09.10)nnUNet最全问题收录(9.10更新)
来这里寻找你的答案!一、写在前面二、GITHUB ISSUEI. 使用上的问题:#318 《12GB的显存仍然不够的问题》#312 《混合精度问题(TypeError: predict_preprocessed_data_return_seg_and_softmax() got an unexpected keyword argument 'mixed_precision')》#311 《训练时找不到预处理文件夹》#310 《"Segmentation fault (core dumped)"》#309《"原创 2020-09-10 21:12:47 · 24236 阅读 · 65 评论 -
(七:2020.08.24)CVPR 2019 学习(一)《Learning Multi-Class Segmentations From Single-Class Datasets》
CVPR 2019 学习(一)《对多个单分类数据集中训练,实现单个多分类的分割》(Learning Multi-Class Segmentations From Single-Class Datasets)讲在前面摘要讲在前面一.首先要非常感谢张同学提供的这么一篇论文以及相当重要的理解,为了进一步的理解和学习这篇论文,我决定对其进行深层的挖掘:二.我设计了几种字体颜色用于更加醒目地表现关键的思想和主题:红色表示尚未理解透彻的一些概念蓝色表示对原来的理解做的一些修改或补充绿色表示此处需要参考的原创 2020-08-25 17:31:10 · 1029 阅读 · 7 评论 -
(五:2020.07.31)nnUNet最简单的推理教程(让我的奶奶也会用nnUNet(下))
Follow Me, Buddy!一、写在前面二、nnUNet的推理很简单!(仅针对简单的推理模式,不包括ensemble)1. 准备好你的测试集。2. 下载预训练模型或使用自己的模型。3. 进行推理。三、nnUNet的推理又很难。一、写在前面1.为了承接上一篇的训练教程,我会在这篇博客中仍然采用简单的方式对如何推理进行讲述。除此之外,我会对最近的研究成果做一个总结和温习,这种温习大致会融合在整个nnUNet的推理代码中,我会尽可能详细的对代码进行解读;2.尽管写出这些教程只是为了方便大家使用,但是原创 2020-08-02 10:04:36 · 19638 阅读 · 54 评论 -
(四:2020.07.28)nnUNet最舒服的训练教程(让我的奶奶也会用nnUNet(上))(21.04.20更新)
Follow Me, Buddy!一、写在前面二、nnUNet框架如何安装?1. 你应该配置哪些环境?2. 整理你的数据!① nnUNet需要你把你要训练的数据做一个好好的整理,初学者请务必按照我的做法,等你熟练掌握以后再考虑新的姿势(有些文件夹的创建时多余的,但是你还是跟着我这样做最好):3.设置nnUNet读取文件的路径三、在Task08_HepaticVessel上进行训练!1. 转换一下你的数据集,让它可以被nnUNet识别2. 预处理3.开始训练4.简单说下配置一、写在前面1.笔者对nnUN原创 2020-07-28 00:57:51 · 56777 阅读 · 272 评论 -
(三:2020.07.10)nnUNet附录解析(7.31更新认识)
医学图像深度学习分割方法的自动设计(三)(nnUNet /2020.04)《Automated Design of Deep Learning Methods for Biomedical Image Segmentation》A. Dataset detailsB. **nnU-Net Design Principles(启发式规则的设计)**B.1 蓝图参数1. 网络架构设计决策2. 选择最好的UNet配置3. 训练计划4. 推理B.2 推理参数1.网络动态自适应2.输入patch_size的配置3.原创 2020-07-10 19:00:24 · 9244 阅读 · 7 评论 -
(二:2020.07.08)nnUNet方法解析(7.31更新认识)
医学图像深度学习分割方法的自动设计(二)(nnUNet /2020.04)《Automated Design of Deep Learning Methods for Biomedical Image Segmentation》1.本文是对该论文涉及的Methods进行解读和理解,参考上一篇的解读论文主体解读2.红色是理解困难部分,正在进行结合附录、第一版nnunet论文、源码进行理解3.绿色是提到附录的部分4.橙色是本文关键字5.蓝色是抛出的问题Methods (该部分提到的设计规则可以在附原创 2020-07-08 10:54:22 · 10396 阅读 · 27 评论 -
(一:2020.07.06)nnUNet论文主体解析(8.02更新认识)
医学图像深度学习分割方法的自动设计(nnUNet)摘要论文内容1.介绍2.结果1.nnUNet可以自动适应任何新的数据2.nnUNet极佳地掌握了目标标签的结构和数据图片的属性3.nnUNet在多个不同任务中的表现,都要比一些刻意设计的“管道”要好4.“管道”配置对结果的影响要比网络结构变化对结果的影响大5.不同的数据集需要不同“管道”配置6.多任务提升了决策(方案)的鲁棒性功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定原创 2020-07-06 15:09:43 · 19204 阅读 · 31 评论