- 博客(4)
- 收藏
- 关注
RSS订阅原创 在 AutoDL 平台配置 U-Mamba 环境并训练医学图像分割
最近，处理长序列任务的 Mamba 模型较为火爆。U-Mamba 的作者设计了一个混合的 CNN-SSM（卷积神经网络 - 状态空间序列模型）块，它结合了 CNN 的局部特征提取能力以及 SSM 捕捉长距离依赖的能力，还充分利用了 UNet 的 U 型结构的优势，从而提出了 U-Mamba 网络。通过在 AutoDL 平台配置 U-Mamba 环境并训练医学图像分割
2024-07-06 22:29:13
938
13
原创 用lifelines进行生存分析【Python版】
开篇语生存分析在医学研究中占有很大的比例，而且进行生存分析时，多用R语言、SPSS等工具进行生存分析，用python进行生存分析不多。因为发现一个python版的生存分析工具—lifelines ，这个库已经提供比较完善的生存分析相关的工具。自己又最近学习生存分析，然后结合lifelines开始编写这个项目。写代码的同时，也对一些生存分析中概念性的名词，根据自己的理解一起展示出来。因为是边学边写，有错误的地方请指正 。#安装生存分析用的python库----lifelines#lifelines相关
2022-02-24 19:56:23
8288
12
原创 实现影像组学全流程
需要完整代码到这里https://aistudio.baidu.com/aistudio/projectdetail/3270880 fork项目之后下载glioma.7z压缩包，然后用RStudio的RMarkdown进行运行1.项目介绍2012年荷兰学者提出影像组学(radiomics）概念：借助计算机，从医学影像中挖掘海量定量影像特征，使用统计学/机器学习方法，筛选出最有价值的影像学特征，用来解析临床信息。可以说影像组学是人工智能在医学领域的一种特定研究方式。做影像组学一般会经过以下步骤1
2021-12-23 11:15:17
13225
11
原创 入门篇：医学影像组学与机器学习(进入飞桨Aistudio平台，不用配置环境，开箱即用)
背景影像组学的概念最早由荷兰学者在2012年提出，其强调的深层次含义是指从影像（CT、MRI、PET等）中高通量地提取大量影像信息，实现肿瘤分割、特征提取与模型建立，凭借对海量影像数据信息进行更深层次的挖掘、预测和分析来辅助医师做出最准确的诊断。影像组学大致流程是：影像数据的收集->兴趣区ROI的勾画->兴趣区域的分割->提取特征、量化特征->建立模型->分类/预测。发现特征处理、建立模型、分类/预测这些步骤方法涉及机器学习。所以一边学习一边做记录，过一下影像组学的流程
2021-04-03 09:44:45
7108
9
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