<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[jinzi_a的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/jinzi_a</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; jinzi_a]]></copyright><item><title><![CDATA[医学图像中感兴趣区域（ROI）的提取到底是属于图像分割还是目标检测？]]></title><link>https://blog.youkuaiyun.com/jinzi_a/article/details/123055394</link><guid>https://blog.youkuaiyun.com/jinzi_a/article/details/123055394</guid><author>jinzi_a</author><pubDate>Mon, 21 Feb 2022 20:50:36 +0800</pubDate><description><![CDATA[目标检测是深度学习中一个重要的应用，一般包含两个步骤：①对图像进行分类，识别物体是什么；②定位目标，找出目标在哪里。
图像分割则是将每一像素与其表示的目标类别对应起来，即从像素水平上对目标定位，不再是简单地画矩形框。
第一种 传统的目标检测算法有Cascade + HOG/DPM + Haar/SVM以及上述方法的诸多改进、优化；这些算法一般有以下流程：
1.采用穷举策略的选择区域，即设置不同大小、不同长宽比的滑动窗口对图像进行遍历；穷举策略计算量庞大，耗时长。
2.使用SIFT、HOG提取特征；因为形态多]]></description><category></category></item><item><title><![CDATA[多条Precision-Recall（PR）曲线绘制（PR曲线）含python代码]]></title><link>https://blog.youkuaiyun.com/jinzi_a/article/details/122005987</link><guid>https://blog.youkuaiyun.com/jinzi_a/article/details/122005987</guid><author>jinzi_a</author><pubDate>Fri, 17 Dec 2021 22:33:42 +0800</pubDate><description><![CDATA[多条Precision-Recall（PR）曲线绘制（PR曲线）含python代码]]></description><category></category></item><item><title><![CDATA[数据集划分——训练集、测试集、验证集按照7:1:2]]></title><link>https://blog.youkuaiyun.com/jinzi_a/article/details/115199187</link><guid>https://blog.youkuaiyun.com/jinzi_a/article/details/115199187</guid><author>jinzi_a</author><pubDate>Thu, 25 Mar 2021 10:42:27 +0800</pubDate><description><![CDATA[数据集划分——训练集、测试集、验证集按照7:1:2
前面我对乳腺超声图像数据库进行数据增强，得到：

然后对数据集进行划分，按照训练集、测试集、验证集7:1：2的比例。
代码：
import os
import random
import shutil
from shutil import copy2

"""os.listdir会将文件夹下的文件名集合成一个列表并返回"""


def getDir(filepath):
    pathlist = os.listdir(filepath)
    re]]></description><category></category></item><item><title><![CDATA[医学图像进行数据增强（翻转、旋转）的方法和结果总结]]></title><link>https://blog.youkuaiyun.com/jinzi_a/article/details/115194001</link><guid>https://blog.youkuaiyun.com/jinzi_a/article/details/115194001</guid><author>jinzi_a</author><pubDate>Thu, 25 Mar 2021 09:50:56 +0800</pubDate><description><![CDATA[医学图像进行数据增强（翻转、旋转）的方法总结
使用深度学习执行图像分类任务时往往因为数据量不平衡或者数据量不足，需要进行数据增强，数据增强包括平移、旋转、裁剪、拉伸、缩放、水平翻转、垂直翻转、水平垂直、加噪声等等。而对于乳腺超声图像数据来说，拉伸、裁剪等操作会改变图像的形状信息，因此我使用水平翻转和旋转的方法进行数据扩充。
一、水平翻转
两种方法：分别是利用Opencv的DataAugment（）函数、 PIL中的Image
1 Opencv方法：
代码：
'''
Python批量实现图像镜像翻转
函数：D]]></description><category></category></item><item><title><![CDATA[2020-Deep Neural Networks Improve Radiologists’ Performance in Breast Cancer Screening]]></title><link>https://blog.youkuaiyun.com/jinzi_a/article/details/115149499</link><guid>https://blog.youkuaiyun.com/jinzi_a/article/details/115149499</guid><author>jinzi_a</author><pubDate>Tue, 23 Mar 2021 22:53:03 +0800</pubDate><description><![CDATA[2020-Deep Neural Networks Improve Radiologists’ Performance in Breast Cancer Screening
这篇论文高被引，是2020年的一篇高水平论文，利用深度神经网络实现乳腺肿瘤的筛查。
有四个先进性：1，本论文使用的新颖的两阶段架构和训练程序，允许我们使用大容量的patch级网络从像素级标签学习，同时使用从宏观乳腺级标签学习的网络。2，一个基于ResNet的自定义网络作为我们模型的构建块，其深度和宽度的平衡可以优化高分辨率医学图像。3，]]></description><category></category></item><item><title><![CDATA[论文阅读2018-Deep Convolutional Neural Networks for breast cancer screening  重点：利用迁移学习三个网络常规化进行分类]]></title><link>https://blog.youkuaiyun.com/jinzi_a/article/details/109849609</link><guid>https://blog.youkuaiyun.com/jinzi_a/article/details/109849609</guid><author>jinzi_a</author><pubDate>Fri, 20 Nov 2020 15:05:19 +0800</pubDate><description><![CDATA[论文阅读2018-Deep Convolutional Neural Networks for breast cancer screening
摘要：我们探讨了迁移学习的重要性，并通过实验确定了在训练CNN模型时采用的最佳微调策略。我们成功地微调了一些最近的，最强大的cnn，并取得了更好的结果，与其他最先进的方法分类相同的公共数据集。例如，我们在DDSM数据库上实现了97.35%的准确率和0.98 AUC，在INbreast数据库上实现了95.50%的准确率和0.97 AUC，在BCDR数据库上实现了96.]]></description><category></category></item><item><title><![CDATA[breast_classification_ResNet 训练结果]]></title><link>https://blog.youkuaiyun.com/jinzi_a/article/details/108931878</link><guid>https://blog.youkuaiyun.com/jinzi_a/article/details/108931878</guid><author>jinzi_a</author><pubDate>Mon, 05 Oct 2020 20:30:36 +0800</pubDate><description><![CDATA[breast_classification_ResNet 训练结果
运用了迁移学习，下载ResNet网络的权重文件，不改变原网络结构，在最后加上一个全局平均池化层、1024的FC、2的FC
实验一：
batch_size = 16
epochs = 100
训练结果



]]></description><category></category></item><item><title><![CDATA[特征选择relief算法介绍]]></title><link>https://blog.youkuaiyun.com/jinzi_a/article/details/108866430</link><guid>https://blog.youkuaiyun.com/jinzi_a/article/details/108866430</guid><author>jinzi_a</author><pubDate>Tue, 29 Sep 2020 15:25:57 +0800</pubDate><description><![CDATA[特征选择relief算法介绍
特征选择的基础了解：
特征选择过程一般包括：特征子集产生过程，评价函数，停止准则，验证过程。
特征子集选择过程：
根据搜索过程的方法的不同，可以将特征选择分为穷举、启发式、随机几种方法。
以上几种方法不改变特征的原始属性，而有些方法通过对特征进行空间变换，去除相关性。比如PCA、傅立叶变换、小波变换等.
Relief为一系列算法，它包括最早提出的Relief以及后来拓展的ReliefF和RReliefF，其中RReliefF算法是针对目标属性为连续值的回归问题提出的，下面仅介绍]]></description><category></category></item><item><title><![CDATA[breast_classification_VGG实验结果]]></title><link>https://blog.youkuaiyun.com/jinzi_a/article/details/108723582</link><guid>https://blog.youkuaiyun.com/jinzi_a/article/details/108723582</guid><author>jinzi_a</author><pubDate>Wed, 23 Sep 2020 09:34:36 +0800</pubDate><description><![CDATA[breast_classification_VGG实验结果
实验一：
batch_size = 32
epochs = 20
训练结果：loss: 0.2997 - acc: 0.8584 - val_loss: 0.4776 - val_acc: 0.7969


验证结果：

the model accuracy is  0.625
±----------±----------±-------±------------+
|           | Precision | Recall | Specif]]></description><category></category></item><item><title><![CDATA[图像分类代码演练（一）]]></title><link>https://blog.youkuaiyun.com/jinzi_a/article/details/108702626</link><guid>https://blog.youkuaiyun.com/jinzi_a/article/details/108702626</guid><author>jinzi_a</author><pubDate>Mon, 21 Sep 2020 19:10:06 +0800</pubDate><description><![CDATA[图像分类代码演练（一）
参考Github代码：

https://github.com/WZMIAOMIAO/deep-learning-for-image-processing/tree/master/data_set

1 数据的导入与拆分
import os
from shutil import copy
import random


def mkfile(file):
    if not os.path.exists(file):
        os.makedirs(file)


file]]></description><category></category></item><item><title><![CDATA[AttributeError: ‘Tensor‘ object has no attribute ‘numpy‘报错问题解决]]></title><link>https://blog.youkuaiyun.com/jinzi_a/article/details/108712085</link><guid>https://blog.youkuaiyun.com/jinzi_a/article/details/108712085</guid><author>jinzi_a</author><pubDate>Mon, 21 Sep 2020 15:51:12 +0800</pubDate><description><![CDATA[TypeError: AlexNet_v1() got an unexpected keyword argument 'num_classes’报错问题解决
出现以下错误：

添加下面的代码就可以解决。
tf.enable_eager_execution(
    config=None,
    device_policy=None,
    execution_mode=None
)



]]></description><category></category></item><item><title><![CDATA[文献阅读2019-Distinction between benign and malignant breast masses at breast ultrasound using deep lear]]></title><link>https://blog.youkuaiyun.com/jinzi_a/article/details/108636559</link><guid>https://blog.youkuaiyun.com/jinzi_a/article/details/108636559</guid><author>jinzi_a</author><pubDate>Thu, 17 Sep 2020 17:53:00 +0800</pubDate><description><![CDATA[文献阅读2019-Distinction between benign and malignant breast masses at breast ultrasound using deep learning method with convolutional neural network

]]></description><category></category></item><item><title><![CDATA[文献阅读2019-Computer-aided diagnosis system for breast ultrasound images using deep learning]]></title><link>https://blog.youkuaiyun.com/jinzi_a/article/details/108597619</link><guid>https://blog.youkuaiyun.com/jinzi_a/article/details/108597619</guid><author>jinzi_a</author><pubDate>Thu, 17 Sep 2020 09:55:06 +0800</pubDate><description><![CDATA[文献阅读2019-Computer-aided diagnosis system for breast ultrasound images using deep learning
1  通过生成热图来探索正确分类的区域，热图展示了CNN用于人类恶性/良性分类的重要区域。我们结合两个CNN模型构建了一个集成网络(VGG19和ResNet152)对平衡训练数据进行了微调。此外，我们的研究表明，乳腺肿物本身并没有被CNN检测到作为正确肿物分类的重要区域。
2 当前CNN诊断存在两个问题：1 CNN诊断的过程难以理]]></description><category></category></item><item><title><![CDATA[文献阅读-2017A Pre-trained Convolutional Neural Network Based Method for Thyroid Nodule Diagnosis]]></title><link>https://blog.youkuaiyun.com/jinzi_a/article/details/108564803</link><guid>https://blog.youkuaiyun.com/jinzi_a/article/details/108564803</guid><author>jinzi_a</author><pubDate>Tue, 15 Sep 2020 09:23:13 +0800</pubDate><description><![CDATA[文献阅读2017-A Pre-trained Convolutional Neural Network Based Method for Thyroid Nodule Diagnosis
方法：
提出了一种甲状腺结节诊断的混合方法，即将两种不同卷积层和全连接层的预训练卷积神经网络(CNNs)融合。首先，分别对使用ImageNet数据库预训练的两个网络进行训练。其次，我们将两个cnn的经过训练的卷积滤波器、pooling和normal- ization操作学习到的feature map进行融合。最后，结合融合]]></description><category></category></item><item><title><![CDATA[文献阅读2019-Machine Learning‐Assisted System for Thyroid Nodule Diagnosis]]></title><link>https://blog.youkuaiyun.com/jinzi_a/article/details/108551037</link><guid>https://blog.youkuaiyun.com/jinzi_a/article/details/108551037</guid><author>jinzi_a</author><pubDate>Sun, 13 Sep 2020 13:18:00 +0800</pubDate><description><![CDATA[文献阅读2019-Machine Learning‐Assisted System for Thyroid Nodule Diagnosis
方法：在9种常用算法的基础上，随机抽取60%的样本建立模型，并使用剩余40%的案例进行验证。所有的模型都有一个验证数据集，该数据集在测试前的恶性概率为10%。这些模型通过包含1000次衍生化和验证的机器学习进行了改进，并与经验丰富的放射科医生的诊断进行了比较。计算敏感性、特异性、准确度和曲线下面积(AUC)。
结果：随机森林算法产生了最佳诊断模型，该模型优于仅基于传统]]></description><category></category></item><item><title><![CDATA[文献阅读2015-Application of Texture Analysis in the Differential Diagnosis of Benign and Malignant]]></title><link>https://blog.youkuaiyun.com/jinzi_a/article/details/108516178</link><guid>https://blog.youkuaiyun.com/jinzi_a/article/details/108516178</guid><author>jinzi_a</author><pubDate>Fri, 11 Sep 2020 09:36:23 +0800</pubDate><description><![CDATA[文献阅读2015-Application of Texture Analysis in the Differential Diagnosis of Benign and Malignant Thyroid Nodules: Comparison With Gray-Scale Ultrasound and Elastography
目标:本研究的目的是探讨在甲状腺结节的良、恶性鉴别诊断中，使用直方图和共现矩阵分析的最佳子集，并与灰度超声和弹性成像的结果进行比较。
方法：从灰度超声和弹性图像中提取直方图参数(]]></description><category></category></item><item><title><![CDATA[跑程序学习到的一些代码]]></title><link>https://blog.youkuaiyun.com/jinzi_a/article/details/108462191</link><guid>https://blog.youkuaiyun.com/jinzi_a/article/details/108462191</guid><author>jinzi_a</author><pubDate>Thu, 10 Sep 2020 15:43:40 +0800</pubDate><description><![CDATA[c
1 Tqdm 是一个快速，可扩展的Python进度条，可以在 Python 长循环中添加一个进度提示信息，用户只需要封装任意的迭代器 tqdm(iterator)。 用法：
from tqdm import tqdm

for i in tqdm(range(1000)):
     #do something
     pass 

结果如下：
2 os.listdir() 方法
os.listdir() 方法用于返回指定的文件夹包含的文件或文件夹的名字的列表。这个列表以字母顺序。
用法示例：
imp]]></description><category></category></item><item><title><![CDATA[论文阅读2020-Differential Diagnosis of Benign and Malignant Thyroid Nodules Using Deep Learning]]></title><link>https://blog.youkuaiyun.com/jinzi_a/article/details/108503336</link><guid>https://blog.youkuaiyun.com/jinzi_a/article/details/108503336</guid><author>jinzi_a</author><pubDate>Thu, 10 Sep 2020 15:42:55 +0800</pubDate><description><![CDATA[2020-Differential Diagnosis of Benign and Malignant Thyroid Nodules Using Deep Learning Radiomics of Thyroid Ultrasound Images
方法：一个基础CNN，一个迁移学习，和一个新提出的deep learning Radiomics of thyroid (DLRT)比较。
一个名叫Radiomics基于机器学习的新兴技术可以提取和分析成千上万的定量计算图像特征从医学图像(也称为Radiom]]></description><category></category></item><item><title><![CDATA[近期学习方法总结]]></title><link>https://blog.youkuaiyun.com/jinzi_a/article/details/108414826</link><guid>https://blog.youkuaiyun.com/jinzi_a/article/details/108414826</guid><author>jinzi_a</author><pubDate>Tue, 08 Sep 2020 09:32:08 +0800</pubDate><description><![CDATA[近期学习方法总结
1  在甲状腺预处理过程中，使用对比度限制自适应直方图均衡化(CLAHE)（S.M. Pizer, E.P. Amburn, J.D. Austin, R. Cromartie, A. Geselowitz, T. Greer, B. ter Haar Romeny, J.B. Zimmerman, K. Zuiderveld
Adaptive histogram equalization and its variations.Comput. (1987),处理超声图像中的衰减伪影。CLA]]></description><category></category></item><item><title><![CDATA[文献阅读2016-A deep feature based framework for breast masses classification]]></title><link>https://blog.youkuaiyun.com/jinzi_a/article/details/108385691</link><guid>https://blog.youkuaiyun.com/jinzi_a/article/details/108385691</guid><author>jinzi_a</author><pubDate>Fri, 04 Sep 2020 13:08:30 +0800</pubDate><description><![CDATA[A deep feature based framework for breast masses classification
这篇论文写的比较早了，设计了一个基于深度特征的乳腺肿块分类框架。它主要包括一个卷积神经网络(CNN)和一个决策机制。这个CNN结构很简单，5个卷积层和3个FC层。

所选择的用于训练分类器的特征从网络的两层中提取。分类器将输入图像分成两类。具体来说，它们来自于Conv5和Fc7层，这两层都是列向量形式，然后在训练数据集上训练两个基于层次特征的线性SVM分类器，并在测试数据集上进行测]]></description><category></category></item></channel></rss>