- 博客(9)
- 收藏
- 关注
RSS订阅原创 医学图像分析-多模态（MRI）
多模态是MRI特有的特征，CT中并不存在。这里有四个模态，就是通过四种方式扫描脑部得到MRI数据，这是这里列出来的四个的名字，我们先不用管它这四个具体是什么意思，只是知道它有四种模态就行了，这四种模态对最终切割的结果是有直接的作用的。现在大多数的3D图像切割方法只是用了一个模态，或者把多个模态分别来做，然后再堆积起来。
2024-03-11 16:08:11
753
原创 nnunet笔记
cascade-unet的第一阶段先对图像进行下采样，然后通过一个unet，得到预测结果后进行插值得到原分辨率这么大的分割结果。在第二阶段中，我们把原图和第一阶段的分割结果堆叠到一起然后进行patch training（第一阶段的分割结果有全局的语义信息，而原图有更多的细节信息）上面图片是个像素对应真实大小是1cm，下面这张图100个像素对应的真实大小才是1cm。通过体素间距统一后，数据集的分辨率不一致，根据分辨率不同，进行下采样次数是不同的，网络的深度会有所变化。5.nnunet网络结构。
2024-03-09 13:55:02
428
1
原创 U-Net Cascade（ U-Net 层级架构）
（2）然后将此 U-Net 的分割结果上采样到原始体素间距，并作为附加（one-hot编码）输入通道传递到第二个 3D U-Net，该 U-Net 在全分辨率的patch上进行训练（阶段 2）。原文链接：https://blog.csdn.net/qq_40206371/article/details/125707610。（1）首先在下采样图像上训练 3D U-Net（阶段 1）。
2024-03-08 17:18:12
376
1
原创 什么是深监督(Deep Supervision)？
的某些中间隐藏层加了一个辅助的分类器（新添加了额外的loss）作为一种网络分支来对主干网络进行监督的技巧，用来解决深度神经网络训练梯度消失和收敛速度过慢等问题。当训练这样的深监督网络模型时，我们可以同时计算主分类任务和辅助分类任务的损失，并通过加权或者其他方式综合考虑这两个任务的损失来更新网络参数。，其中除了主分类任务外，还添加了一个辅助分类任务。模型在前半部分使用卷积神经网络进行特征提取，然后通过全连接层进行分类。在这个示例中，我们定义了一个简单的包含深监督结构的网络模型。
2024-03-08 16:40:02
576
1
原创 多尺度特征的理解
多尺度特征在计算机视觉和图像处理领域中起着至关重要的作用。在图像中，不同尺度的特征可以提供关于物体的不同信息，从而有助于更准确地理解和识别图像中的内容。总的来说，多尺度特征的应用可以帮助提高计算机对图像内容的理解能力，从而在各种图像处理任务中取得更好的效果。
2024-03-04 19:52:58
1051
1
原创 预训练权重与当前模型不匹配
中的键与当前模型的对应部分是否匹配。如果发现有未知的键或缺少的键，就会引发这个错误。，而且你正在尝试将其加载到一个与预训练模型结构不完全匹配的模型中，你可以通过删除。，或者确实想要加载完整的预训练模型，那么你需要确保你的模型结构与。是一个字典对象，用于保存神经网络模型的参数和缓冲区。你可能需要重新训练模型或者修改模型结构，使其与。这些键在当前模型的结构中不存在，导致了错误的发生。中包含了一些与模型结构不匹配的键。中不匹配的键来解决问题。中存在一些意外的键。如果你有一个预训练的。方法删除不需要的键。
2024-01-24 20:11:58
763
原创 pytorch错误：RuntimeError: received 0 items of ancdata解决
【代码】pytorch错误：RuntimeError: received 0 items of ancdata解决。
2023-12-05 15:47:18
408
1
原创 详解模型收敛及原因
梯度爆炸或梯度消失：在深度神经网络等模型中，梯度爆炸或梯度消失是导致模型不收敛的常见问题。过拟合：过拟合是指模型在训练数据上表现良好，但在新的未见过的数据上表现较差。当我们训练一个机器学习模型时，我们希望它能够收敛到一个稳定的状态，即模型的训练损失或目标函数逐渐减小并趋于稳定。训练损失不下降或持续波动：在每次迭代中，模型的训练损失值没有减小或者持续波动，无法达到预期的稳定状态。特征选择问题：在一些特征选择算法中，模型不收敛可能会导致选择到错误的特征或者无法选择到有效的特征，从而影响模型的性能。
2023-12-05 15:01:59
952
2
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