- 博客(10)
- 收藏
- 关注
RSS订阅原创 手把手教你进行一次肺结节语义分割
本文提出基于LIDC-IDRI数据集和SwinUNETR模型的肺结节分割完整解决方案。首先使用pylidc工具处理DICOM影像和XML标注，生成三维结节掩膜；然后通过数据预处理（重采样、肺分割、补丁提取）准备训练数据；接着构建SwinUNETR模型进行训练，采用DiceCELoss和混合精度加速；最后利用3DSlicer实现分割结果可视化。实验表明该方法能有效分割CT影像中的肺结节，为计算机辅助诊断提供可靠依据。项目包含数据预处理、模型训练和结果评估的完整代码实现，可作为医学图像分割的标准流程参考。
2026-03-06 22:12:03
1044
原创 大白话看懂 DCNN + CRF
（如DeepLab v1/v2时代）非常经典，成功地将CNN强大的特征学习能力与CRF的结构化推理能力结合，显著提升了语义分割（尤其是物体边缘）的精度。：一个穿红衣服的同学，因为光线，衣服中间有些像素被课代表标记得模棱两可（置信度低）。：班长看到照片角落里有一个孤立的红色像素点（其实是气球），但它的邻居都是蓝色（背景）。或者某个穿红衣服的同学，因为阴影，衣服颜色有点深，他就漏标了一小块。“这个像素是深红，那个是粉红，嗯，这个不是红，是棕色的头发。，细节很丰富，但看着有点“脏乱差”，不够干净利落。
2026-03-05 18:23:30
365
原创 大白话看懂空洞空间金字塔池化（ASPP）
用不同的“视野广度”（通过不同空洞率的卷积）去观察，然后把看到的细节、局部、整体等所有尺度的信息。（尤其是语义分割）中，你需要判断一个像素是“车”还是“路”。你看近处，能看清一片叶子的纹理（不同度数的望远镜同时使用，并把看到的画面智能融合。这个镜片更绝，它直接“飞”到森林正上方高空，拍一张。，理解了森林的整体边界和规模。，看清树木大致的分布和密度。你看远处，能看清一棵树的轮廓（它让神经网络在同一位置、同一层，特定度数的望远镜（单一膨胀率）。眼前的这棵树皮、这片树叶，捕捉。想象一下，你站在一片茂密的。
2026-03-02 15:15:50
691
原创 大白话看懂空洞卷积
二者的卷积核大小都是一样的（滑窗的实际大小是一样的），但空洞卷积的滑窗（kernel）元素之间是存在一些间隙的，这些间隙在空洞卷积中成为膨胀因子(dilated ratio)。比如，你能同时看到段首的主题句和段尾的总结句，一下子就把段落大意抓住了。——你需要知道每一个像素属于“车”还是“路”（需要高分辨率保持细节），同时又需要知道整条路和所有车的全局布局（需要大感受野理解上下文）。想象一下，你在读一本非常长的书（比如一张高清图片），书上的字很密（图片的像素点）。，但这次你把它改装了一下，在窗口的网格里。
2026-02-27 15:50:54
578
原创 大白话看懂Swin UNETR
Swin UNETR = 一位自带“立体显微镜→放大镜→望远镜”全焦段侦察能力的首席设计师（Swin编码器），带领一支轻装施工队（CNN解码器），通过直达现场的秘密通道（跳跃连接），精准复刻出水晶原石内部的每一处杂质轮廓。之前讲的 TransUNet 是两位专家联合作战；Swin UNETR 是直接把那位“分区轮转、层层晋升”的 Swin 专家提拔成总负责人，从底层勘测到顶层设计一手包办，再配一支高效的执行团队——更协调、更少内耗、更擅长处理3D立体世界的复杂结构。
2026-02-26 15:33:34
780
原创 大白话看懂Swin Transformer
对比项ViT（全员大会）Swin Transformer（小组讨论+轮换）计算复杂度随图像尺寸平方增长，大图算不动线性增长，可处理高清大图感受野第一层就是全局通过窗口移动逐步扩大，最终全局多尺度特征单一尺度，无金字塔层次化金字塔，适合检测/分割位置编码绝对位置编码相对位置偏置，更灵活适用任务分类为主分类、检测、分割、视频等全垒打。
2026-02-25 15:05:00
755
原创 大白话看懂TransUNet
工作，处理的是已经高度抽象的信息。：经典的U-Net结构（编码-解码+跳跃连接）完美地担任了融合多尺度信息的角色，把局部细节和全局上下文无缝缝合在一起。把这张图切成一个个小方块，转换成一组“情报卡片”，送给“Transformer全局专家”。的黄金组合，从而在数据量相对不大的医学影像上，也能取得非常精确的分割效果。这就像在一张复杂的地图上，画出一个形状不规则的小岛的精确海岸线。，包含了从“小石头”（边缘）到“山丘”（纹理）的详细信息。，导致他画出的肿瘤边界可能比较“糊”，不够锐利和精确。
2026-02-23 16:08:11
910
1
原创 大白话看懂ViT
ViT 就是“把图像切成小块，像读文章一样用自注意力全局理解图像”的 Transformer 模型——它放弃了 CNN 的局部偏见，用海量数据换来了强大的全局建模能力。它开启了视觉领域的 Transformer 时代，后面要学的 Swin、Swin UNETR、VISTA3D 都是它的后代或变种。
2026-02-23 15:58:03
686
原创 大白话看懂V-Net
V-Net = U-Net的3D直系后代 + 每个阶段自带残差连接 + 发明了Dice损失（现在每个分割模型都在用的神器），专门用来从立体影像里精准抠出小器官。它是3D医学影像分割的奠基者之一，现在虽然被Swin UNETR、VISTA3D这些后浪拍在沙滩上，但它的核心思想（U形3D结构 + Dice损失）已经成了每个后浪的“出厂设置”。
2026-02-14 15:22:17
910
原创 大白话看懂U-Net
你只见过 30 个真实敌人，但你把他们的照片 PS 成各种角度、各种光线、各种伪装，然后让狙击手对着这些变体反复练习。相当于你只有 30 张细胞照片，但通过变形，你让模型看了 3000 张“长得不完全一样但本质相同”的照片。：热气球上的侦察兵知道“宝藏在山的东南坡”，但他已经记不清那棵歪脖子树（细胞边界）的具体位置了。——不是凭记忆瞎画，而是每一层都有原地的实测草稿对照，画出来的藏宝图自然分毫不差。，在极少标注数据的情况下，依然达到极佳的分割精度。（跳跃连接），把“东南坡”的精确边界补上去。
2026-02-13 16:05:49
772
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