<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[demons2的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/demons2</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; demons2]]></copyright><item><title><![CDATA[基于深度学习的医学图像分割＜十四＞UDC-Net]]></title><link>https://blog.youkuaiyun.com/demons2/article/details/122490046</link><guid>https://blog.youkuaiyun.com/demons2/article/details/122490046</guid><author>demons2</author><pubDate>Fri, 14 Jan 2022 11:14:24 +0800</pubDate><description><![CDATA[Dual-Consistency Semi-supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images

]]></description><category></category></item><item><title><![CDATA[双注意力机制-Dual Attention Network for Scene Segmentation]]></title><link>https://blog.youkuaiyun.com/demons2/article/details/122463993</link><guid>https://blog.youkuaiyun.com/demons2/article/details/122463993</guid><author>demons2</author><pubDate>Wed, 12 Jan 2022 22:30:16 +0800</pubDate><description><![CDATA[双注意力机

]]></description><category></category></item><item><title><![CDATA[基于深度学习的医学图像分割＜十三＞Mixed Transformer U-Net For Medical Image Segmentation]]></title><link>https://blog.youkuaiyun.com/demons2/article/details/122442602</link><guid>https://blog.youkuaiyun.com/demons2/article/details/122442602</guid><author>demons2</author><pubDate>Tue, 11 Jan 2022 21:53:13 +0800</pubDate><description><![CDATA[MT-TransUNet

]]></description><category></category></item><item><title><![CDATA[基于深度学习的医学图像分割 ＜十二＞]]></title><link>https://blog.youkuaiyun.com/demons2/article/details/122237150</link><guid>https://blog.youkuaiyun.com/demons2/article/details/122237150</guid><author>demons2</author><pubDate>Thu, 30 Dec 2021 19:50:41 +0800</pubDate><description><![CDATA[Patch-Free 3D Medical Image Segmentation Driven by Super-Resolution Technique and Self-Supervised Guidance
原文链接
提出一种Patch Free三维医学图像分割方法，在低分辨率输入的情况下实现高分辨率分割。
1.多任务学习框架：语义分割＋超分辨率（恢复高分辨率细节）＋自监督指导（使用原始高分辨图像作为指导图像，保留高频信息）
2.引入Task-Fusion模块，发掘分割和超分辨率的内在联系
超分辨率和]]></description><category></category></item><item><title><![CDATA[（十二）MaskFormer]]></title><link>https://blog.youkuaiyun.com/demons2/article/details/122203081</link><guid>https://blog.youkuaiyun.com/demons2/article/details/122203081</guid><author>demons2</author><pubDate>Tue, 28 Dec 2021 21:18:52 +0800</pubDate><description><![CDATA[Per-Pixel Classification is Not All You Need for Semantic Segmentation

]]></description><category></category></item><item><title><![CDATA[基于深度学习的医学图像分割学习笔记（十一）nnU-net]]></title><link>https://blog.youkuaiyun.com/demons2/article/details/122173458</link><guid>https://blog.youkuaiyun.com/demons2/article/details/122173458</guid><author>demons2</author><pubDate>Mon, 27 Dec 2021 17:28:58 +0800</pubDate><description><![CDATA[nnU-Net: Self-adapting Framework for U-Net-Based Medical Image Segmentation
no-new-Net
原文链接
nnU-Net可以自动调整架构以适应给定的图像
用leaky ReLU代替ReLU，用实例标准化代替批处理标准化。
在3D医学分割背景下使用2D U-net不是最优的，因为沿着z轴的有价值的信息不能被聚合和考虑。然而如果数据集是各项异性的，传统的3D分割性能下降。

...]]></description><category></category></item><item><title><![CDATA[基于深度学习的医学图像分割（十）TransUnet]]></title><link>https://blog.youkuaiyun.com/demons2/article/details/122042001</link><guid>https://blog.youkuaiyun.com/demons2/article/details/122042001</guid><author>demons2</author><pubDate>Tue, 21 Dec 2021 21:47:07 +0800</pubDate><description><![CDATA[TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation
原文链接  CVPR2021
结合Transformer和UNet，用于医学图像分割。

]]></description><category></category></item><item><title><![CDATA[Transformer学习笔记]]></title><link>https://blog.youkuaiyun.com/demons2/article/details/122036855</link><guid>https://blog.youkuaiyun.com/demons2/article/details/122036855</guid><author>demons2</author><pubDate>Mon, 20 Dec 2021 11:27:46 +0800</pubDate><description><![CDATA[文章目录一、Transformer二、Vision Transformer（ViT）三、Swin Transformer1.总体架构：2.W-MAS和SW-MAS
一、Transformer
论文题目：Attention Is All You Need（NIPS2017）
Attention Is All You Need
参考视频讲解
参考笔记
Transformer的输入和输出都是序列，它使用了编码器解码器的架构，将self-attention和point-wise和全连接层堆叠起来。模型结构如下图所示]]></description><category></category></item><item><title><![CDATA[基于深度学习的医学图像分割学习笔记（九）UNet 3+]]></title><link>https://blog.youkuaiyun.com/demons2/article/details/121960815</link><guid>https://blog.youkuaiyun.com/demons2/article/details/121960815</guid><author>demons2</author><pubDate>Wed, 15 Dec 2021 20:15:40 +0800</pubDate><description><![CDATA[UNet 3+: A Full-Scale Connected UNet for Medical Image Segmentation
原文链接
代码
dateset：131例腹部增强CT(3D)用于肝脏分割和49例脾脏数据集

融合多尺度的特征是实现精确分割的重要因素之一。UNet++没有从全尺度上探索足够信息，本文提出了UNet3+，重新设计跳跃连接，利用full-scale跳跃连接和深度监督。full-scale跳跃连接结合了来自不同尺度的特征图的低级细节和高级语义，深度监督从full-scale聚.]]></description><category></category></item><item><title><![CDATA[基于深度学习的医学图像分割学习笔记（八）HF U-Net]]></title><link>https://blog.youkuaiyun.com/demons2/article/details/121928398</link><guid>https://blog.youkuaiyun.com/demons2/article/details/121928398</guid><author>demons2</author><pubDate>Tue, 14 Dec 2021 19:30:24 +0800</pubDate><description><![CDATA[HF-UNet: Learning Hierarchically Inter-Task Relevance in Multi-Task U-Net for Accurate Prostate Segmentation in CT Images
IEEE Transactions on Medical Imaging(TMI)
原文链接
dataset：339张CT图像

快速定位
精确分割
将多任务学习和深度神经网络相结合，提出了多任务卷积网络框架（主任务分割前列腺，辅助任务划定前列腺边界）
与整个盆腔CT]]></description><category></category></item><item><title><![CDATA[基于深度学习的医学图像分割笔记(七)Attention U-Net]]></title><link>https://blog.youkuaiyun.com/demons2/article/details/121890356</link><guid>https://blog.youkuaiyun.com/demons2/article/details/121890356</guid><author>demons2</author><pubDate>Sun, 12 Dec 2021 17:14:51 +0800</pubDate><description><![CDATA[Attention U-Net: Learning Where to Look for the Pancreas
MIDL 2018
腹部CT胰腺分割
数据集：TCIA Pancreas CT-82和multi-class abdominal CT-150
原文链接
pytorch代码（包含2D/3D版本）


将soft-attention合并到标准的U-Net分割网络中的concatenation操作之前，抑制输入图像中的不相关的区域，突出特定局部区域的显著特征。
网络结构：
Attention Gat]]></description><category></category></item><item><title><![CDATA[基于深度学习的医学图像分割学习笔记（六）V-Net]]></title><link>https://blog.youkuaiyun.com/demons2/article/details/121793394</link><guid>https://blog.youkuaiyun.com/demons2/article/details/121793394</guid><author>demons2</author><pubDate>Wed, 08 Dec 2021 16:59:38 +0800</pubDate><description><![CDATA[V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation
原文链接

]]></description><category></category></item><item><title><![CDATA[基于深度学习的医学图像分割笔记（五）3D U-Net]]></title><link>https://blog.youkuaiyun.com/demons2/article/details/121749283</link><guid>https://blog.youkuaiyun.com/demons2/article/details/121749283</guid><author>demons2</author><pubDate>Mon, 06 Dec 2021 17:20:47 +0800</pubDate><description><![CDATA[3D U-Net:Learning Dense Volumetric Segmentation from Sparse Annotation
MICCAI2016
2018MICCAI脑肿瘤分割挑战赛brats第二名
论文地址
代码pytorch版本

 一二


一
3D U-Net是UNet的一个简单扩展，将所有2D操作替换为3D操作，适用于三维图像分割问题
二

...]]></description><category></category></item><item><title><![CDATA[基于深度学习的医学图像分割学习笔记（四）Prostate12 challenge]]></title><link>https://blog.youkuaiyun.com/demons2/article/details/121706820</link><guid>https://blog.youkuaiyun.com/demons2/article/details/121706820</guid><author>demons2</author><pubDate>Fri, 03 Dec 2021 21:52:04 +0800</pubDate><description><![CDATA[MICCAI Grand Challenge：Prostate MR Image Segmentation 2012
本次挑战题目：分割前列腺包膜
Prostate Segmentation一、Introduction二、Datesets三、 Evaluation
论文链接
挑战详情及数据集


这篇文章主要是介绍数据集和分割算法的评价指标。
一、Introduction
由于MRI在prostate cancer的临床诊断和治疗上得到了广泛的应用，Prostate MRI图像分割已经成为一个激烈的研究领域]]></description><category></category></item><item><title><![CDATA[基于深度学习的医学图像分割（三）UNet++: A Nested U-Net Architecture for Medical Image Segmentation]]></title><link>https://blog.youkuaiyun.com/demons2/article/details/121684771</link><guid>https://blog.youkuaiyun.com/demons2/article/details/121684771</guid><author>demons2</author><pubDate>Thu, 02 Dec 2021 20:04:20 +0800</pubDate><description><![CDATA[UNet++: A Nested U-Net Architecture for Medical Image Segmentation一.UNet++网络架构Re-designed skip pathwaysDeep supervision二.UNet++优势(对比UNet)三.Experiments实现细节四.Result
原文链接
作者解读
一.UNet++网络架构

UNet++与UNet相比re-designed skip pathways（图中绿色和蓝色部分）且运用了deep supervision]]></description><category></category></item><item><title><![CDATA[基于深度学习的医学图像分割学习笔记(二)U-Net:Convolutional Networks for Biomedical Image Segmentation]]></title><link>https://blog.youkuaiyun.com/demons2/article/details/121567202</link><guid>https://blog.youkuaiyun.com/demons2/article/details/121567202</guid><author>demons2</author><pubDate>Fri, 26 Nov 2021 20:23:31 +0800</pubDate><description><![CDATA[U-Net:Convolutional Networks for Biomedical Image Segmentation
Unet适用于各种生物医学图像分割问题，可以从少量的数据中学习到一个对边缘提取十分鲁棒的模型。
Unet继承了FCN思想，但与FCN不同的是：Unet是完全对称的，对Decoder进行了加卷积加深处理，而FCN只是单纯的上采样。

降采样对于分割网络是必要的，它可以增加对输入图像的一些小扰动的鲁棒性，减少过拟合的风险，降低运算量，增加感受野的大小。升采样把抽象的特征还原解码到原图的尺]]></description><category></category></item><item><title><![CDATA[FCN-Fully Convolutional Networks]]></title><link>https://blog.youkuaiyun.com/demons2/article/details/121310031</link><guid>https://blog.youkuaiyun.com/demons2/article/details/121310031</guid><author>demons2</author><pubDate>Sat, 13 Nov 2021 21:12:51 +0800</pubDate><description><![CDATA[FCN-Fully Convolutional Networks
FCN：模型网络中的所有层都是卷积层，故称为全卷积网络。（从图像级别的分类进一步延伸到像素级别的分类，解决了语义级别的图像分割问题）
卷积是下采样，用来提取图片的特征；反卷积是上采样，可以扩大数据维度。
在FCN中先用卷积操作提取图像特征，再进行反卷积对特征图进行上采样，使它恢复到输入图像相同的尺寸，从而实现对每一个像素都产生一个预测
FCN特点：
（1）FCN将CNN中的全连接层转化为卷积层。//可以适应任意尺寸的输入
（2）FCN可以接受]]></description><category></category></item><item><title><![CDATA[基于深度学习的医学图像分割学习笔记(一）]]></title><link>https://blog.youkuaiyun.com/demons2/article/details/121267666</link><guid>https://blog.youkuaiyun.com/demons2/article/details/121267666</guid><author>demons2</author><pubDate>Thu, 11 Nov 2021 15:17:56 +0800</pubDate><description><![CDATA[基于深度学习的医学图像分割学习笔记(一）
文章目录基于深度学习的医学图像分割学习笔记(一）一、医学图像的突出特征二、分割目标
一、医学图像的突出特征
医学图像相比于自然图像主要有四点区别：
1.医学图像的模态更加多样化，不同模态反应的信息不一样。如X-ray观察骨骼更清晰，CT反应出血和组织，MRI观察软组织。
2.医学图像的像素值范围与自然图像（0~255）有很大差别
3.自然图像的光成像，由于散射的存在，频谱比较宽，所以近似认为自然图像的噪声分布是均匀的，建模为高斯分布；而医学图像的成像中，为尽量消除散]]></description><category></category></item><item><title><![CDATA[leecode笔记-06从尾到头打印链表]]></title><link>https://blog.youkuaiyun.com/demons2/article/details/117780338</link><guid>https://blog.youkuaiyun.com/demons2/article/details/117780338</guid><author>demons2</author><pubDate>Thu, 10 Jun 2021 15:40:31 +0800</pubDate><description><![CDATA[leecode笔记-06从尾到头打印链表

python3借助栈来实现：
class Solution:
    def reversePrint(self, head: ListNode) -&gt; List[int]:
        stack=[]
        while head:
            stack.append(head.val)
            head=head.next
        return stack[::-1]


...]]></description><category></category></item><item><title><![CDATA[Mean Teacher学习笔记（一）]]></title><link>https://blog.youkuaiyun.com/demons2/article/details/109825597</link><guid>https://blog.youkuaiyun.com/demons2/article/details/109825597</guid><author>demons2</author><pubDate>Thu, 19 Nov 2020 21:22:05 +0800</pubDate><description><![CDATA[Mean Teacher学习笔记（一）
模型的核心思想：模型即充当学生，又充当老师。作为老师，用来产生学生学习时的目标，作为学生，利用老师模型产生的目标来学习。
为了克服Temporal Ensembling的局限性，我们建议平均模型权重而不是预测。教师模式是连续学生模式的平均值，因此我们叫它Mean teacher。与直接使用最终的权重相比，将模型权重平均到训练步骤会产生更准确的模型，在训练中可以利用这一点来构建更好的目标。教师模型使用学生模型的EMA权重，而不是与学生模型共享权重。同时，由于权值平均改善]]></description><category></category></item></channel></rss>