Gu104-优快云博客

原创【文献阅读】Deep Clustering with Self-supervision usingPairwise Data Similarities

本文提出了一种基于成对数据相似性的自监督深度聚类框架DCSS。该方法通过两阶段训练流程实现高效聚类：第一阶段采用深度连续学习(DSL)构建可靠的低维潜在空间，通过最小化加权重建损失和中心损失来优化自编码器；第二阶段利用全连接网络MNet，基于数据点间的相似性关系优化聚类空间。实验在7个基准数据集上验证了DCSS的优越性，其性能显著优于传统和现有深度聚类方法。理论分析表明，该方法能有效捕捉数据相似性，生成接近独热编码的聚类表示。此外，DCSS可作为通用框架，提升现有基于自编码器的聚类算法性能。

2025-10-13 17:40:26 335

原创【文献整理】近期文献整理

从训练集中的T2WI、T1WI、DKI、表观扩散系数（ADC）图和DCE动力学参数图中提取放射组学特征。使用支持向量机（SVM）分类器建立基于每个序列或序列组合的模型，并用于区分验证集中的乳腺良性和恶性病变。采用Spearman秩相关系数和最小绝对收缩和选择算子算法（LASSO）进行最优特征选择。受试者工作特征（ROC）曲线用于评估验证集中放射组学模型的诊断性能。3区-Medical Engineering and Physics。

2025-04-07 11:47:56 660

原创【文献阅读】Artificial Intelligence Based Diagnosis for CervicalLymph Node Malignancy Using the Point-Wis

摘要：本文旨在建立一种人工智能（AI）架构，用于从增强超声（CEUS）视频中自动提取数据学习的图像特征，并评估用于颈部良恶性淋巴结分类的人工智能架构。利用点门控玻尔兹曼机（PGBM）构建了CEUS特征提取和分类的人工智能架构。PGBM由与任务相关和与任务无关的隐藏单元组成，分别用于特征学习和特征选择，并将与任务相关的单元连接到支持向量机（SVM），产生分类的可能性。采用合成少数过采样技术提高了不平衡数据集的分类能力。对88例患者的127个淋巴结（39个良性和88个恶性）的数据库进行了5倍交叉验证的实验评估。

2025-03-11 15:10:18 923

原创【文献阅读】Research on Point-wise Gated Deep Networks

根据PCD，FPCD将连接可见单元和隐藏单元的权值划分为规则权值和快速权值，其中，使用正则权值来计算与数据相关的统计量，并利用正则权值加上快速权值之和来计算与模型相关的统计量[20]。假设不相关的模式数据导致不好的中间表达和影响DBN和DBM的性能，本文将pgRBM引入DBN和DBM和提出点控深度信念网络（pgDBN）和点门控深玻尔兹曼机器（pgDBM）。受限玻尔兹曼机（RBM）是一个生成的随机网络，它包含一层可见的单元v = {vi} D i=1和一层隐藏的带有参数的单元h = {hi} J i=1。

2025-01-26 20:38:12 871

原创【文献阅读】Implicit Mixtures of Restricted Boltzmann Machines

摘要：我们提出了一个混合模型，其组件是限制玻尔兹曼机（rbm）。这种可能性以前没有被考虑过，因为计算RBM的配分函数是棘手的，这似乎也使学习RBM的混合模型难以处理。令人惊讶的是，当表述为三阶玻尔兹曼机器时，这种混合模型可以使用对比散度简单地学习。该模型的能量函数捕获了可见单元、隐藏单元和表示集群标签的单个表示集群标签的隐藏离散变量之间的三方相互作用。该模型的显著特点是，与其他混合模型不同，混合比例没有明确地参数化。相反，它们是通过能量函数隐式定义的，并依赖于模型中的所有参数。我们给出了MNIST和NORB

2025-01-18 15:24:23 878

原创【文献阅读】Learning and Selecting Features Jointlywith Point-wise Gated Boltzmann Machines

题目：点向门控玻尔兹曼机学习和选择特征摘要：无监督特征学习已经成为一种很有前途的学习未标记数据表示的工具。然而，当数据包含大量不相关的模式时，学习有用的高级特性仍然具有挑战性。虽然特征选择可以用于这样复杂的数据，但当我们必须从头开始构建一个学习系统（即，从缺乏有用的原始特征开始）时，它可能会失败。为了解决这个问题，我们提出了一个点向门控玻尔兹曼机器(point-wise gated Boltzmann machine)，一个结合了特征学习和特征选择的统一生成模型。我们的模型不仅对学习到的高级特征（即

2024-11-07 22:08:55 909

原创【文献阅读】Deep learning based classification of breast tumors with shear-waveelastography

本研究旨在建立一个深度学习（DL）架构，用于从剪切波弹性成像（SWE）中自动提取从数据中学习到的图像特征，并评估DL架构在区分良恶性乳腺肿瘤中的作用。我们构建了一个用于SWE特征提取的两层DL体系结构，由点向门控玻尔兹曼机（PGBM）和限制性玻尔兹曼机（RBM）组成。PGBM包含与任务相关和与任务无关的隐藏单元，而与任务相关的单元与RBM相连。对来自121例患者的227张SWE图像、135张良性肿瘤和92张恶性肿瘤进行了5倍交叉验证。用我们的DL架构学习到的特征与量化图像强度和纹理的统计特征进行了比较。

2024-09-13 15:56:40 2255

原创【影像组学pyradiomics学习笔记】png图像提取组学特征

【代码】【影像组学pyradiomics学习笔记】png图像提取组学特征。

2024-09-11 21:54:27 819

原创【影像组学pyradiomics学习笔记】pyradiomics 使用案例

配置文件位置：pyradiomics-master\examples\exampleSettings\yaml。result = extractor.execute(ori_path, lab_path) # 抽取特征。for key, value in result.items(): # 输出特征。图像及掩膜位置：pyradiomics-master\data。# 使用配置文件初始化特征抽取器。使用官方案例进行测试。

2024-09-10 16:46:27 1396

原创【影像组学pyradiomics学习笔记】pyradiomics安装无Microsoft Visual C++ 14.0 或更高版本问题

在安装pyradiomics库是遇见问题：且由于公共网络限制，只能选择离线安装Microsoft Visual C++，推荐按照以下方法采用离线安装方式，亲测有效：安装包共1.08G。

2024-09-10 13:41:56 383

原创离线安装Microsoft Visual C++ 14.0

【完美解决·离线安装】Pip安装时遇到Microsoft Visual C++ 14.0 is required错误，下载离线安装包安装即可（2023年11月8日更新资源）_microsoft visual c++ 14.0离线安装-优快云博客

2024-09-09 18:09:42 3406

原创【影像组学pyradiomics学习笔记】pyradiomics安装及介绍

pyradiomics是一个开源的python包，用于医学图像的影像组学。

2024-09-09 16:40:56 508

Gu104的博客