- 博客(13)
- 收藏
- 关注
RSS订阅原创 【无标题】神经网络训练优化
学习率：用对数尺度（如`10^-4, -1`），代码：`r = np.random.rand()*(-4);案例：分类器A（P=0.9, R=0.7）的F1=0.78 > B（P=0.8, R=0.8）的F1=0.8？原理：将训练集拆分为小批量（如64/128/256/512），每次迭代用1个batch更新参数。比随机梯度下降（batch_size=1）更稳定（减少噪声）。大数据集：取2^n（如64/128/256），需匹配内存。超参数：`β1=0.9, β2=0.999, ε=1e-8`。
2025-06-08 16:19:53
387
原创 评估指标实现Dice Coefficient（Dice系数）和Intersection over Union（IoU）
其中，\(X\)为预测结果，\(Y\)为真实标注，\(X \cap Y\)为交集像素数，\(X\)和\(Y\)分别为预测和真实区域的像素总数。与Dice的关系：\( \text{Dice} = \frac{2 \cdot \text{IoU}}{1 + \text{IoU}} \)。无法反映非重叠区域的距离（如两区域完全不重叠时IoU=0，但可能实际距离差异较大）。定义：衡量预测分割结果与真实标注的重叠度，取值范围为0,1，1表示完全重合。其中\(C\)为包含\(X\)和\(Y\)的最小外接矩形。
2025-05-31 16:42:41
577
原创 形态学操作的论文和知识
膨胀（Dilation）：$A \oplus B = \{ z | (\hat{B})_z \cap A \neq \emptyset \}$腐蚀（Erosion）：$A \ominus B = \{ z | (B)_z \subseteq A \}$开运算（Opening）：$A \circ B = (A \ominus B) \oplus B$边界锐利度 $\frac{\\nabla Y \cap Y\}{\Y\}$ 评估器官边缘清晰度。球形SE：适用于3D医学体数据（如PET-CT肿瘤分割）
2025-05-26 13:09:00
1295
原创 连通域分析方法
第一次扫描时，按行/列遍历像素，通过邻域像素的标签关系动态生成等价标签对；医学影像优化点：针对CT/MRI的3D体数据特性，算法扩展为三维邻域分析（6-邻域或26-邻域），解决跨层连通问题。解决方案：引入并查集数据结构，将时间复杂度从O(N)降低至O(α(N))（近似线性）。医学案例：在MRI脑白质病灶分析中，结合形态学操作（如腐蚀膨胀）去除伪影干扰。问题：MRI小病灶因分辨率限制呈现断裂状（如<5mm³的脑转移灶）3. 连通域面积筛选：剔除体积异常小的区域（如<10 voxel）
2025-05-24 21:53:08
562
原创 深度学习的内容
端到端深度学习：什么是端到端的深度学习（104.2.9）和是否要使用端到端的深度学习（105.2.10）探讨端到端深度学习概念，即从原始数据直接到最终预测结果，无需人工设计中间特征提取过程，以及其适用场景和局限性。RMSprop（67.2.7）和Adam优化算法（68.2.8）自适应调整学习率，RMSprop对不同参数采用不同学习率，Adam结合动量和自适应学习率，在实践中广泛应用。迁移学习（102.2.7）：利用预训练模型在大规模数据上学习到的特征，迁移到目标任务上进行微调，减少训练数据和时间成本。
2025-05-24 20:48:19
774
原创 【无标题】
U网级联则是为解决3D U - Net在大图像数据上的训练问题，先在低分辨率图像上由第一个3D U - Net进行初步分割，再将分割结果上采样后由第二个3D U - Net在全分辨率图像上细化，实现更精准分割。nnU - Net应运而生，旨在提供更具适应性的医学图像分割解决方案。然而，面对新分割任务，其在架构、预处理、训练和推理等多方面的选择需人工调整且相互关联，难以快速有效适应不同数据集特征，如不同模态（CT、MRI等）图像的差异、图像尺寸与分辨率变化等，这促使研究人员寻求更自动化、自适应的解决方案。
2025-05-17 18:07:05
393
原创 深度学习入门
用神经网络进行监督学习：介绍监督学习的概念，说明如何使用神经网络在有标记数据上进行训练，以实现回归或分类任务，还可能涉及不同类型神经网络在监督学习中的应用，如标准神经网络、卷积神经网络、递归神经网络等。- 偏见 方差：讲解机器学习中的偏差和方差的概念，分析它们对模型性能的影响，以及如何通过调整模型的复杂度等方法来平衡偏差和方差，以获得更好的模型效果。- 深层神经网络：探讨深层神经网络的结构和特点，与浅层神经网络相比，深层网络具有更多的隐藏层，能够学习到更复杂的特征表示，从而提高模型的性能。
2025-05-17 16:30:42
772
原创 文献综述111
本综述系统梳理医学CT图像三维重建技术发展现状，以王瑜《面向断层医学图像的三维重建与关键技术研究》、徐艳蕾《基于顺序形态学理论的医学CT图像三维重建方法的研究》为核心参考文献，阐述图像预处理、边缘检测、图像分割、曲面重建等关键技术及具体做法，分析现有研究成果与不足，展望未来发展方向，为该领域研究与实践提供参考。在相邻切片上，以当前轮廓为中心，根据设定的阈值半径搜索对应轮廓，通过计算轮廓间的几何相似性、距离等度量指标，确定轮廓间对应关系，有效解决多轮廓曲面重建时的匹配难题。然而，现有研究仍存在不足。
2025-05-11 21:23:09
349
原创 【无标题】
result = re.findall(r'[b-eF-Z3-9]', s) # 字符串前面带上r的标记，表示字符串中转义字符无效，就是普通字符的意思。rdd = sc.parallelize([('男', 99), ('男', 88), ('女', 99), ('女', 66)])# {内容}.{内容}.{内容}.{内容}.{内容}.{内容}.{内容}.{内容}@{内容}.{内容}.{内容}# 匹配QQ号，要求纯数字，长度5-11，第一位不为0。# fn1 = outer("黑马程序员")
2025-05-11 21:08:50
272
原创 CT成像在脑出血诊断与预后评估中的应用进展
研究发现，平扫CT（NCCT）对急性脑出血的灵敏度高达95%以上，而CT血管成像（CTA）和增强CT可有效识别血管畸形或肿瘤性出血。结果显示急性期敏感度高达98% ，慢性期为73%。通过该模型，医生可根据患者脑出血后的CT值变化，较为准确地推断出血发生的大致时间，为临床诊断提供客观且量化的依据。敏感性：NCCT对急性ICH的灵敏度达96-100%（Smith et al., 2001），可在出血后1小时内检出（≤5mm病灶），优于MRI（需梯度回波序列）（Kidwell et al., 2004）。
2025-04-27 16:23:28
432
原创 Python模块、面向对象及SQL学习笔记
类方法：使用 @classmethod 装饰器定义，第一个参数是 cls ，表示类本身，可以在不创建对象的情况下调用，常用于创建对象的工厂方法。- 定义：模块是包含Python定义和语句的文件，一个 .py 文件就是一个模块，可以将函数、类和变量封装在模块中，实现代码的复用和组织。- 实例方法：实例方法是在类中定义的方法，第一个参数必须是 self ，用于访问对象的属性和其他方法。- 可以创建自己的 .py 文件作为模块。- 类：类是一种抽象的数据类型，是对象的模板，定义了对象的属性和方法。
2025-04-27 09:10:00
438
原创 CT成像在脑出血诊断与预后评估中的应用进展
研究发现，平扫CT（NCCT）对急性脑出血的灵敏度高达95%以上，而CT血管成像（CTA）和增强CT可有效识别血管畸形或肿瘤性出血。敏感性：NCCT对急性ICH的灵敏度达96-100%（Smith et al., 2001），可在出血后1小时内检出（≤5mm病灶），优于MRI（需梯度回波序列）（Kidwell et al., 2004）。“斑点征”（Spot Sign）：CTA中对比剂外渗提示血肿扩大风险，敏感性82%（Wada et al., 2007），但需结合临床评分（如FAST评分）提高预测价值。
2025-04-26 19:56:51
425
原创 论文笔记及python学习进度
阈值分割：2012年Prakash团队利用脑半球直方图差异（Dice 0.67±0.22）- 动态范围差异：CBV（300窗宽/150窗位） vs MTT（50窗宽/25窗位）- 四模态参数：CBV/CBF（低密度） vs MTT/Tmax（高密度）- 监督学习：SVM/随机森林融合多模态特征（最佳Dice 0.74）- 多模态融合：Dolz团队密集多路径网络提升Dice 0.14。- U-Net里程碑：2015年ISBI挑战赛冠军模型。- 早期融合策略：四模态并行输入（224×224×4）
2025-04-16 22:12:55
284
1
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