- 博客(35)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 OpenCV+SimpleITK 医学图像后处理的格式转换——pt文件转png
'''plt.show()旋转2D图像,必须在后面加下面的矢状面 [::-1, ::-1]横断面 .transpose((1, 0))冠状面 .transpose((1, 0))[::-1, ::].transpose((1, 0))主对角线翻转（左上——右下为主对角线）[::, ::]不变[::-1, ::]上下翻转[::, ::-1]左右翻转[::-1, ::-1]左右再上下翻转'''import SimpleITK as sitkimport cv2import osim.
2022-04-05 09:36:54
252
原创 SimpleITK 图像预处理——resize改变图像的尺寸
相当于是图像缩放的操作，并不是图像裁剪。这是为了将数据集统一裁剪至同一尺寸，便于网络设计。注意是针对nii图像，普通的图像用opencv就能做。
2022-04-05 09:35:48
705
1
原创 matplotlib后处理——difference 视差图
'''plt.show()旋转2D图像,必须在后面加下面的矢状面 [::, ::-1]横断面 .transpose((1, 0))[::-1, ::]冠状面 transpose((1, 0)).transpose((1, 0))主对角线翻转（左上——右下为主对角线）[::, ::]不变[::-1, ::]上下翻转[::, ::-1]左右翻转[::-1, ::-1]左右再上下翻转'''import numpy as npimport matplotlib.pyplot as pl.
2022-02-12 21:26:31
91
原创 pvt代码的理解——为什么通过transformer后图像尺寸变了？
MLP中各层的神经元个数：第一层就是embed_dims=[64, 128, 256, 512]，第二层（隐藏层）是embed_dims=[64, 128, 256, 512]*mlp_ratios=[8, 8, 4, 4]，第三层和第一层一样。每次经过transformer后的图像都会缩小，每一维缩小的倍数是patchsize，第一层的图像尺寸就是原始尺寸，之后的尺寸为图中的尺寸。MHA中输入有三个参数x，H,W，这是对2D图像来说的，3D图像要加一个D（深度）
2021-12-26 11:06:48
209
转载 word里面mathtype选项是灰色解决办法
word里面mathtype选项是灰色解决办法太坑人了！搞了四个小时！对着网上的解决办法一个一个试，就差重装系统了！分享一下我的解决办法。不一定对你适用。激活！！！！激活！！！激活！！！打开mathtype，点help，点unlock。输入密匙FirstName: llionLastname: mecssiOrganization: llionmecssiKey: MTWE691-011084-r0xyl重新打开word...
2021-11-27 15:44:19
4092
原创 仿射配准pytorch代码
这是递归级联网络论文中提到的仿射配准网络的pytorch版本代码，源代码是tensorflow版本。调了半天，还得是师兄啊。
2021-11-08 16:00:03
126
原创 Vit-V-Net pytorch 代码理解与分析
config.py:配置初始的参数import ml_collectionsdef get_3DReg_config(): config = ml_collections.ConfigDict() config.patches = ml_collections.ConfigDict({'size': (8, 8, 8)}) config.patches.grid = (8, 8, 8) config.hidden_size = 252 conf...
2021-10-04 14:58:54
519
4
原创 使用pyinstaller打包pyqt程序时，图片和checkpoint路径无法寻找的解决办法
其他博主说的很多教程都很麻烦，最好用的办法就是把除了py文件意外的文件复制粘贴到已打包的dist目录的main文件夹里比如你打包的是main.py，那就和项目程序一样，把非py文件粘到生成的main文件夹里，这个main文件夹是在dist文件夹下的...
2021-08-26 17:18:50
316
原创 用pyqt5打开电脑图片并显示
'''打开电脑图片并显示'''import sysfrom PyQt5 import QtWidgets, QtCore, QtGuifrom PyQt5.QtGui import *from PyQt5.QtWidgets import *def pf(): print('123456')class Picture(QMainWindow): def __init__(self): super(Picture, self).__init__() .
2021-08-26 13:02:07
3123
原创 机器学习中强化学习的一些知识
16.1 给出了强化学习的一个简单图示.强化学习任务通常用马尔可夫决 策过程 (Markov Decision Process，简称 MDP)来描述:机器处于环境 中，状 态空间为 ，其中每个状态 EX 是机器感知到的环境的描述，如在种瓜任务 上这就是当前瓜苗长势的描述;机器能采取的动作构成了动作空间 如种瓜 过程中有浇水、施不同的肥、使用不同的农药等多种可供选择的动作;若某个 动作 αεA 作用在当前状态 上，则潜在的转移函数 将使得环境从当前状态 按某种概率转移到另 个状态，如瓜苗状态为缺水，若选择..
2021-07-20 15:50:21
394
原创 机器学习中规则学习的一些知识
机器学习中的"规则" (rule) 通常是指语义明确、能描述数据分布所 隐含的客观规律或领域概念、可写成"若……，则……"形式的逻辑规则 [Fürnkranz et al., 2012 J . "规则学习" (rule learning) 是从训练数据中学习出 一组能用于对未见示例进行判别的规则.其中逻辑蕴含符号"←"右边部分称为"规则件" (body) ，表示该条规则的前 提，左边部分称为"规则头" (head) ，表示该条规则的结果.规则体是由逻辑 艾字(literal) fk 组成的合取式(c
2021-07-20 15:33:45
872
原创 机器学习中概率图模型的一些知识
机器学习最重要的任务，是根据一些己观察到的证据(例如训练样本)来 对感兴趣的未知变量(例如类别标记)进行估计和推测。概率模型(probabilistic model)提供了一种描述框架?将学习任务归结于计算变量的概率分布.直接利用概率求和规则消去变量 显然不可行，因为即便每个变量仅有两 种取值的简单问题，其复杂度己至少是 0(2IYI+IRI) 另一方面，属性变暨之间往 往存在复杂的联系，因此概率模型的学习，即基于训练样本来估计变量分布的 参数往往相当困难.为了便于研究高效的推断和学习算法，需有一套能简
2021-07-18 13:16:47
247
原创 机器学习中半监督学习的一些知识
事实上，未标记样本虽未直接包含标记信息?但若它们与有标记样本是从 同样的数据源独立同分布来样而来，则它们所包含的关于数据分布的信息对建 立模型将大有禅益让学习器不依赖外界交互、自动地利用未标记样本来提升学习性能，就是 半监督学习 (semi supervised earn gω)。半监督学习的现实 求非常强烈，因为 在现实应用中往往能容易地收集到大量未标记样本，而获取"标记"却需耗费 人力、物力。例如，在进行计算机辅助医学影像分析时，可以从医院获得大量医 学影像 但若希望医学专家把影像中的病灶 ...
2021-07-18 11:28:03
375
原创 机器学习中计算学习理论的一些知识
计算学习理论(computational learning theory) 研究的是关于通 过"计算"来进行"学习"的理论，即关于机器学习的理论基础，其目的是分 析学习任务的困难本质，为学习算法提供理论保证，并根据分析结果指导算法 设计.计算学习理论中最基本的是概率近似正确 (Probably Approximately Correct ，简称 PAC) 学习理论对较为困难的学习问题，目标概念 往往不存在于假设空间对中.无论是基于 vc 维还是 Rademacher 复杂度来推导...
2021-07-18 10:29:53
189
1
原创 机器学习中特征选择与稀疏学习的一些知识
我们将属性称为"特征" (feature) ，对当前学习任务有 用的属性称为"相关特征" (relevant feature) 、没什么用的属性称为"无关特 征" (irrelevant feature). 从给远的特征集合中选择出相关特征于集的过程，称 为"特征选择" (feature selection).特征选择是一个重要的"数据预处理" (data preprocessing) 过程?在现实 机器学习任务中 获得数据之后通常先进行特征选择，此后再训练学习器。有两个很重要的原因:首先，我们在现实任
2021-07-15 18:55:21
994
原创 机器学习中降维与度量学习的一些知识
k其工作机制非常简单 给定测试样本?基于某种距离度量找出 练集中 与其最 靠近的 个训练样本，然后基于这k个"邻居 "的信息来进行预测近邻(k Nearest eighbo ，简称 kNN 习是一种常用的监督学习 方法，与前面介绍的学习方法相比 近邻学习有 个明 显的不 之处 它似乎 没有显式的训练过程!事实上，它是"懒惰学习" (lazy earnin 著名代表，此类学习技术在训练阶段仅仅是把样本保存起来，训练时间开 为零，待收到 测试样本后再进行处理;相应的，那些在训练阶段就对样本进行学习处理的方 法.
2021-07-15 15:30:23
168
原创 机器学习中聚类的一些知识
在"无监督学习" (unsupervised learning) 中，训练样本的标记信息是未 知的?目标是通过对无标记训练样本的学习来揭示数据的内在性质及规律，为 进一步的数据分析提供基础.此类学习任务中研究最多、应用最广的是"聚 类" (clustering).聚类试图将数据集中的样本划分为若干个通常是不相交的子集，每个子集 称为一个"簇" (cluster). 通过这样的划分，每个簇可能对应于一些潜在的概 念(类别) ，如"浅色瓜" "深色瓜"，"有籽瓜" "无籽瓜"，甚至"本地瓜" "外地瓜"等;
2021-07-15 14:50:47
301
原创 机器学习中集成学习的一些知识
集成学习 (ensemble learning) 通过构建并结合多个学习器来完成学习任 务，有时也被称为多分类器系统(multi-classifier system) 、基于委员会的学 (committee-based learning) 等.集成也可包含 不同类型的个体学习器，例如同时包含决策树和神经网络，集成学习通过将多个学习器进行结合，常可获得比单一学习器显著优越的泛化性能，都是针对弱学习器进行的，要获得好的集成， 个体学习器应"好而不同”根据个体学习器的生成方式，目前的集成学习方法大致.
2021-07-15 13:42:57
281
原创 机器学习中贝叶斯分类器的一些知识
贝叶斯决策论(Bayesian decision theory) 是概率框架下实施决策的基本方 法，贝叶斯决策论考虑 如何基于这些概率和误判损失来选择最优的类别标记此时，扩称为贝叶斯最优分类器(Bayes optimal classifier).在现实应用中，欲做出能较好地接近潜在真实分布的假设 往往需在一 定程度上利用关于应用任务本身的经验知讽，否则若仅凭"猜测"来假设概率 分布形式，很可能产生误导性的结果.朴素贝叶斯分类器的表达式....
2021-07-15 10:54:29
185
原创 机器学习中支持向量机的一些知识
支持向量机(Support Vector Machine ，简称 SVM) 的基本型.在现实任务中?原始样本空间内 许并不 存在 个能正确划分两类样本的超平面例如图 6.3 中的" 异或 问题就不是 线性 分的，通过前面的讨论可知，我们希望样本在特征空间内线性可分，因此特征空 间的好坏对支持向量机的性能至关重要缓解该 问题的 个办法是允许支持向 量机 些样本上出错.为此，要引 入"软间隔" (80ft argin) 的概念，支持向量机与对率回归的优化 目标相近，通常情形 它们的性能也相当..
2021-07-14 11:41:47
62
原创 机器学习中神经网络的一些知识
神经网络中最基本的成分是神经元模型，，阶跃函数具有不连 、不光滑等不太好的性质，因 此实际常 Sigmoid函数作为激活函数感知机 (Perceptron 由两层 神经元 组成，需注意的是，感知机只有输出层神经元进行激活函数处理，即只拥有 功能神经元(functionalneuron) ，其学习能力非常有限多层网络的学习能力比单层感知机强得多.误差逆传播是迄今最成功的神 经网络学习算法...
2021-07-14 10:00:25
217
原创 机器学习中决策树的一些知识
决策树(decision tree) 是一类常见的机器学习方法决策树的生成是一个递归过程，一般的，一棵决策树包含一个根结点、若干个内部结点和若干个叶结点;叶结点对应于决策结果?其他每个结点则对应于一个属性测试;每个结点包含的样本集合根据属性测试的结果被划分到子结点中;根结点包含样本全集.从根结点到每个叶结点的路径对应了一个判定测试序列。有三种情形会导致递归返回: (1) 当前结点包含的样本全属于同一类别，无需划分; (2) 当前属性集为空，或是所有样本在所有属性上取值相同，无法划分; (3) 当前结点
2021-07-10 13:26:16
140
原创 机器学习中线性回归的一些知识
许多功能更为强大的非线性模型(nonlinear model) 可在线性模型的基础上 通过引入层级结构或高维映射而得线性回归试图学得在线性回归中，最小二乘法就是试图 找到一条直线，使所有样本到直线上的欧氏距离之和最小.对数几率回归它不是仅预测出"类别"，而是可得到近似概率预测，这对许多需利用概 率辅助决策的任务很有用线性判另IJ 分析(Linear Discriminant nalys ，是一种简称 LDA 经典的线，LDA 的思想非常朴素: 给定训练样 法将样例投影到一条 使得同 样例的投
2021-07-08 14:56:28
106
原创 使用tensorboard的命令
在pycharm命令行输入tensorboard --logdir=ViTVNet_log --port=6007--logdir后面是路径，在输出中打开网址
2021-07-03 15:04:50
449
原创 论文《Recursive Cascaded Networks for Unsupervised Medical Image Registration》中密度可变形网络的上采样与反卷积问题
下图是论文《Recursive Cascaded Networks for Unsupervised Medical Image Registration》中密度可变形网络上篇博文研究了降采样的过程，现在讨论一下上采样的过程。如上图所示，这是一个典型的反卷积过程输入图像的尺寸是n*n，卷积核是k*k，步长为s那么上图中输出图像的尺寸就是公式,即3+4=7在论文中上采样的过程中以conv6-2到deconv5的代码如下pred6 = convolve('pred6', con
2021-05-21 20:47:28
268
原创 论文《Recursive Cascaded Networks for Unsupervised Medical Image Registration》中密度可变形网络中的通道数和卷积层尺寸问题
各个卷积层的上方是通道数channels，初始图像是128*128*128*2，代表（x,y,z,c）每一层的卷积核数量numberof kernel有多少，就代表经过这一层卷积后的输出图像的通道数有多少，论文的代码中初始channel设为16，下采样的过程中每次卷积的卷积核的数量都会乘2初始参数：输入图像尺寸：n*n*n=128*128*128padding=0f=3strdes=2根据公式（公式链接）得出输出图像尺寸为（128+0-3）/2+1=63，但这是跟代码..
2021-05-21 16:16:04
250
原创 卷积神经网络学习——步长stride
若n代表输入图像的尺寸即nn，p代表padding边缘填充f代表卷积核的大小，在计算机视觉中通常是奇数。s代表步长stride输出尺寸为：向下取整（类似于四舍五入的四舍）上图中n=7，p=0，f=3，s=2，最后输出3乘3的图像（图片转载于吴恩达老师的视频 ：视频地址）...
2021-05-21 10:57:09
1545
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人