<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Z503Z的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Z503Z</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Z503Z]]></copyright><item><title><![CDATA[光照不均匀图像增强学习笔记：Retinex、Top-Hat 与自适应 Gamma]]></title><link>https://blog.youkuaiyun.com/Z503Z/article/details/164499047</link><guid>https://blog.youkuaiyun.com/Z503Z/article/details/164499047</guid><author>Z503Z</author><pubDate>Mon, 07 Sep 2026 20:34:24 +0800</pubDate><description><![CDATA[Top-Hat 之前首先要进行开运算 Opening其中：⊖\ominus：腐蚀；⊕\oplus：膨胀；bb：结构单元。]]></description><category></category></item><item><title><![CDATA[【万字干货】零基础看懂医学图像分割神器 Swin UNETR：从架构图到底层逻辑的全面拆解]]></title><link>https://blog.youkuaiyun.com/Z503Z/article/details/161486415</link><guid>https://blog.youkuaiyun.com/Z503Z/article/details/161486415</guid><author>Z503Z</author><pubDate>Thu, 28 May 2026 14:49:30 +0800</pubDate><description><![CDATA[本文用通俗易懂的比喻解析了SwinUNETR医学图像分割模型的架构原理。文章将模型比作一辆&quot;医疗车&quot;，Transformer编码器负责全局理解图像，CNN解码器结合跳跃连接进行精细分割。重点拆解了编码器的Patch切分、SwinTransformer自注意力机制，以及解码器的反卷积上采样、特征拼接和残差卷积打磨过程。最后澄清了三个常见误区：特征维度与通道数的关系、跳跃连接是拼接而非相加、数据流动与参数固定的区别。全文通过生活化比喻，帮助读者直观理解这一复杂模型的底层逻辑。]]></description><category></category></item><item><title><![CDATA[从 3D Slicer 排坑到 SimpleITK 冠脉配准：3mm 厚层数据“防撕裂”全攻略]]></title><link>https://blog.youkuaiyun.com/Z503Z/article/details/158509840</link><guid>https://blog.youkuaiyun.com/Z503Z/article/details/158509840</guid><author>Z503Z</author><pubDate>Sat, 28 Feb 2026 19:43:57 +0800</pubDate><description><![CDATA[医学影像处理（如 CT/MRI 分割与配准）是一条孤独但极具价值的科研路。近期在处理冠脉周围脂肪（PCAT）的量化研究时，我经历了一场从 3D Slicer 软件排坑，到 SimpleITK 代码调参的“全链路”实战。如何将 1mm 层厚的增强 CT 冠脉标签，精准且不断裂地传递到 3mm 层厚的平扫 CT 上？今天，我把这段时间踩过的坑、报过的错、以及最终顿悟的底层逻辑做个全盘大梳理。]]></description><category></category></item><item><title><![CDATA[[特殊字符]️ Linux 隐藏回收站占用磁盘？从诊断到根治的完整指南]]></title><link>https://blog.youkuaiyun.com/Z503Z/article/details/157428896</link><guid>https://blog.youkuaiyun.com/Z503Z/article/details/157428896</guid><author>Z503Z</author><pubDate>Tue, 27 Jan 2026 11:16:49 +0800</pubDate><description><![CDATA[隐藏回收站.Trash-0是 Linux 磁盘 “隐形占用” 的常见元凶。清理只需 1 条命令。预防核心：禁用回收站 + 定期清理 + 命令行删除习惯。有其他 Linux 磁盘问题，也可以在评论区交流～---title: 🛠️ Linux隐藏回收站占满磁盘？从诊断到根治的完整指南tags: [Linux, AutoDL, 磁盘清理, 运维]categories: Linux运维。]]></description><category></category></item><item><title><![CDATA[【SimpleITK】B-Spline 配准中的多分辨率陷阱与验证]]></title><link>https://blog.youkuaiyun.com/Z503Z/article/details/157294722</link><guid>https://blog.youkuaiyun.com/Z503Z/article/details/157294722</guid><author>Z503Z</author><pubDate>Fri, 23 Jan 2026 16:16:42 +0800</pubDate><description><![CDATA[简单来说，就是**“重叠度打分”**。1.0 (满分)：两个肺部 Mask 完美重合。0.0 (零分)：完全不沾边。API 虽抽象，逻辑在心中：理解 C++ 底层的多分辨率接力机制，才能看懂参数。Metric 只是参考：跨分辨率比较 Metric 毫无意义，要相信 Dice 和 TRE。小心“整形”陷阱：在多分辨率策略中，int(N/4)*4永远不等于N。这微小的差别，可能就是模型过拟合的罪魁祸首。如果想用多分辨率网格，务必加上（正则化惩罚项），给你的优化器装上刹车！]]></description><category></category></item><item><title><![CDATA[SimpleITK 进阶：基于 BSpline 的 4D CT 呼吸运动配准与 FFD 原理详解]]></title><link>https://blog.youkuaiyun.com/Z503Z/article/details/157258200</link><guid>https://blog.youkuaiyun.com/Z503Z/article/details/157258200</guid><author>Z503Z</author><pubDate>Thu, 22 Jan 2026 17:29:53 +0800</pubDate><description><![CDATA[拿到数据时，我们看到的是00.mhd到90.mhd共 10 个 3D 图像文件。初学者容易困惑：CT 不是拍一瞬间的吗？为什么有 10 个？相位分组 (Phase Binning)。化动为静：CT 扫描时记录了病人的呼吸信号。重组：算法将所有在“吸气末”时刻扫描的切片挑出来，拼成00.mhd；将“呼气末”时刻的切片拼成50.mhd。4D 的含义：这 10 个文件代表了呼吸循环中的 10 个不同生理相位。虽然它们是静态的 3D 图像，但连起来看就是一副肺部呼吸的 4D 动态图。]]></description><category></category></item><item><title><![CDATA[[SimpleITK] 教程 63：配准初始化 (Registration Initialization) —— 从几何对齐到手动干预。]]></title><link>https://blog.youkuaiyun.com/Z503Z/article/details/157221205</link><guid>https://blog.youkuaiyun.com/Z503Z/article/details/157221205</guid><author>Z503Z</author><pubDate>Wed, 21 Jan 2026 19:23:04 +0800</pubDate><description><![CDATA[在医学图像配准中，初始化（Initialization）直接决定了算法的成败。因为大多数配准算法（如梯度下降）都是迭代优化的，它们非常依赖于“起始位置”。如果起点离终点太远：算法可能会陷入局部极值（Local Minima），导致配准完全错误。如果起点足够好：算法能迅速收敛，计算快且准。本文将按照自动化程度从高到低的顺序，介绍三种核心初始化策略。在 SimpleITK先尝试自动对齐：使用。大角度旋转用穷举：配合和观察者模式来寻找全局最优的初始点。最后手段用手动：通过。]]></description><category></category></item><item><title><![CDATA[【SimpleITK】从 Python 闭包到空间几何]]></title><link>https://blog.youkuaiyun.com/Z503Z/article/details/157182585</link><guid>https://blog.youkuaiyun.com/Z503Z/article/details/157182585</guid><author>Z503Z</author><pubDate>Tue, 20 Jan 2026 19:17:53 +0800</pubDate><description><![CDATA[在医学图像配准（Registration）的任务中，SimpleITK 是最常用的工具库。然而，官方示例代码中往往隐藏着许多 Python 高级特性（如闭包）和医学图像特有的空间几何逻辑（如物理坐标转换）。本文将抽丝剥茧，不仅讲解配准原理，更要深入拆解代码中那些**“容易被忽视但至关重要”**的技术细节。]]></description><category></category></item><item><title><![CDATA[【SimpleITK】医学图像：从金标准构建到初始对齐]]></title><link>https://blog.youkuaiyun.com/Z503Z/article/details/157143007</link><guid>https://blog.youkuaiyun.com/Z503Z/article/details/157143007</guid><author>Z503Z</author><pubDate>Mon, 19 Jan 2026 20:49:43 +0800</pubDate><description><![CDATA[数据流向：始终牢记变换是从 Fixed 空间映射到 Moving 空间。基准构建：利用金标准点算出的变换来生成独立的 TRE 测试集，而非直接测原始点。可视化验证：通过锁定误差标尺，直观验证每一步算法的有效性。优化逻辑：理解 Metric Value 仅仅是 TRE 的数学代理，需时刻警惕二者的背离。]]></description><category></category></item><item><title><![CDATA[【医学图像处理】SimpleITK 图像配准全流程解析]]></title><link>https://blog.youkuaiyun.com/Z503Z/article/details/157033468</link><guid>https://blog.youkuaiyun.com/Z503Z/article/details/157033468</guid><author>Z503Z</author><pubDate>Fri, 16 Jan 2026 20:33:46 +0800</pubDate><description><![CDATA[准备：使用把图先“摆正”。配置：告诉机器用什么标准评价（Metric）、怎么走（Optimizer）、怎么看图（Interpolator）。加速：利用多分辨率金字塔（由粗到细）和随机采样。执行：传入 Float32 数据，获取最终的变换矩阵。希望这篇总结能帮你理清 SimpleITK 配准的代码逻辑！如有疑问，欢迎在评论区交流。]]></description><category></category></item><item><title><![CDATA[基于 SimpleITK (Elastix) 的医学图像配准：从增强CT (CCTA) 到平扫 (NCCT) 的标签传播全流程详解]]></title><link>https://blog.youkuaiyun.com/Z503Z/article/details/156830748</link><guid>https://blog.youkuaiyun.com/Z503Z/article/details/156830748</guid><author>Z503Z</author><pubDate>Sun, 11 Jan 2026 16:06:40 +0800</pubDate><description><![CDATA[本文记录了如何使用 Python 的 SimpleITK 库（集成 Elastix）实现多模态医学图像配准。针对“心脏 CT 平扫（NCCT）缺乏血管标签”的痛点，通过将同一患者的增强 CT（CCTA）及其分割 Label 配准到平扫图像上，实现自动化的“标签传播”。文章详细包含了多阶段配准策略（Rigid -> Affine -> B-Spline）的代码实现Jupyter Notebook 避坑指南、以及。]]></description><category></category></item><item><title><![CDATA[3D Slicer实战：解决大层厚CT冠脉分割断层与锯齿的终极方案（LabelMap线性插值避坑指南）]]></title><link>https://blog.youkuaiyun.com/Z503Z/article/details/155826289</link><guid>https://blog.youkuaiyun.com/Z503Z/article/details/155826289</guid><author>Z503Z</author><pubDate>Thu, 11 Dec 2025 20:31:27 +0800</pubDate><description><![CDATA[做PCAT分析时血管不连贯？详解从Cast Scalar Volume到各向同性重采样的全流程]]></description><category></category></item><item><title><![CDATA[【踩坑记录】3D Slicer处理大层厚CT：为什么闭运算(Closing)核参数开到20mm，还是连不上断层？]]></title><link>https://blog.youkuaiyun.com/Z503Z/article/details/155789247</link><guid>https://blog.youkuaiyun.com/Z503Z/article/details/155789247</guid><author>Z503Z</author><pubDate>Wed, 10 Dec 2025 21:02:46 +0800</pubDate><description><![CDATA[最近在进行冠状动脉周围脂肪组织（PCAT）的分析实验。实验流程需要先提取冠状动脉的 Mask，然后向外膨胀 3mm 取交集。但是在处理一批层厚为 3.0mm的老旧 CT 数据时，遇到了一个棘手的问题：由于 Z 轴分辨率太低，分割出的血管在 3D 视图中呈现出严重的“阶梯状”断裂（Step-ladder artifact）。为了修复这些断层，我尝试了Smoothing 模块中的 Morphological Closing（形态学闭运算），结果发生了一件非常反直觉的事情。做医学图像处理，永远先看。]]></description><category></category></item><item><title><![CDATA[3D Slicer 与 pyradiomics 相关操作汇总文档]]></title><link>https://blog.youkuaiyun.com/Z503Z/article/details/154956306</link><guid>https://blog.youkuaiyun.com/Z503Z/article/details/154956306</guid><author>Z503Z</author><pubDate>Mon, 17 Nov 2025 19:32:20 +0800</pubDate><description><![CDATA[1. conda 虚拟环境核心操作


（2）激活 / 退出环境

bash


（3）删除环境

bash


（4）环境包管理

bash


2. Jupyter Notebook Kernel 配置

（1）注册 Kernel（让 Jupyter 识别 conda 环境）

bash


（2）验证与切换 Kernel


	启动 Jupyter：
	新建 Notebook 时选择 “Python (slicer2)”；已有 Notebook 通过「Kernel → Change Kernel」切换]]></description><category></category></item><item><title><![CDATA[LeNet网络]]></title><link>https://blog.youkuaiyun.com/Z503Z/article/details/153412492</link><guid>https://blog.youkuaiyun.com/Z503Z/article/details/153412492</guid><author>Z503Z</author><pubDate>Thu, 16 Oct 2025 18:38:45 +0800</pubDate><description><![CDATA[LeNet 通过 **“卷积→池化→卷积→池化→全连接→输出”** 的流程，逐步从原始像素中提取 “低层次→高层次” 的特征，既保证了特征的丰富性，又通过池化减少了计算量和过拟合风险，是卷积神经网络在计算机视觉领域的里程碑模型。特征的丰富性源于（16 个通道对应 16 种不同特征）经典数据集。]]></description><category></category></item><item><title><![CDATA[池化层（最大池化，平均池化，代码实现，Q&A）]]></title><link>https://blog.youkuaiyun.com/Z503Z/article/details/153403764</link><guid>https://blog.youkuaiyun.com/Z503Z/article/details/153403764</guid><author>Z503Z</author><pubDate>Thu, 16 Oct 2025 17:04:51 +0800</pubDate><description><![CDATA[与点积不同。]]></description><category></category></item><item><title><![CDATA[卷积示例，填充，步幅，多通道]]></title><link>https://blog.youkuaiyun.com/Z503Z/article/details/153403204</link><guid>https://blog.youkuaiyun.com/Z503Z/article/details/153403204</guid><author>Z503Z</author><pubDate>Thu, 16 Oct 2025 13:38:35 +0800</pubDate><description><![CDATA[反向传播则沿着 “损失→Y_hat→卷积核权重” 的路径，反向推导每个权重对损失的 “贡献度”（即梯度）—— 这个过程本质是用。但这种等变性是 “不变性” 的基础 —— 通过后续的池化操作（如最大池化，进一步压缩位置信息），最终能实现对平移的 “不变性”。”，因此沿着梯度的反方向调整权重（即 权重 = 权重 - 学习率×梯度），就能逐步减小损失，最终找到使损失最小的 “最优卷积核权重”。填充通过扩展输入的边界（用 0、镜像、复制边缘等方式），让边缘像素也能被卷积核充分覆盖，从而保留边缘的特征信息。]]></description><category></category></item><item><title><![CDATA[卷积（操作子，卷积核：二维）]]></title><link>https://blog.youkuaiyun.com/Z503Z/article/details/153252233</link><guid>https://blog.youkuaiyun.com/Z503Z/article/details/153252233</guid><author>Z503Z</author><pubDate>Thu, 16 Oct 2025 13:29:11 +0800</pubDate><description><![CDATA[神经网络可以学一些核，进而达到图片实现想要的效果。X*W的*是上方定义的二维交叉操作子。输入输出平移会变，核平移不会变；单层就有14GB的内存。]]></description><category></category></item><item><title><![CDATA[感知机：单层，多层（二分类，多分类）]]></title><link>https://blog.youkuaiyun.com/Z503Z/article/details/153136460</link><guid>https://blog.youkuaiyun.com/Z503Z/article/details/153136460</guid><author>Z503Z</author><pubDate>Sun, 12 Oct 2025 20:50:30 +0800</pubDate><description><![CDATA[理解：多维数据输入，数据结果为类别则相较输入的维度数量较少，一般来说需要慢慢压缩维度，既使用多隐藏层；类似于右边网络变（大，小，小，不变）。x,y代表样本的两个维度，中间层记录样本分类结果，输出层也为样本分类结果；类似于两个函数相加得到的结果。1.P为间隔，r代表数据的大小，r数据多则收敛变慢。输入维度，隐层一个节点代表一个函数，输出为类别；所有输入拉到0-1范围，使得y相加得到1（概率）对 “理想分类参数w，b进行。李沐深度学习35号视频Q&A。回到xor问题，如何解决？不用指数运算（快，省）]]></description><category></category></item><item><title><![CDATA[cart算法（classification and regression tree）]]></title><link>https://blog.youkuaiyun.com/Z503Z/article/details/152370484</link><guid>https://blog.youkuaiyun.com/Z503Z/article/details/152370484</guid><author>Z503Z</author><pubDate>Mon, 06 Oct 2025 13:21:27 +0800</pubDate><description><![CDATA[类似于二进制：用01代表是非，数字转化为逻辑结构。]]></description><category></category></item></channel></rss>