<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[小毛桃的博客]]></title><description><![CDATA[专注于生物医学图像处理]]></description><link>https://blog.youkuaiyun.com/khtao</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; khtao]]></copyright><item><title><![CDATA[腾讯会议观看时黑屏,有声音，观看别人画面黑，自己摄像头/共享没问题]]></title><link>https://blog.youkuaiyun.com/khtao/article/details/163480210</link><guid>https://blog.youkuaiyun.com/khtao/article/details/163480210</guid><author>khtao</author><pubDate>Tue, 04 Aug 2026 19:07:48 +0800</pubDate><description><![CDATA[腾讯会议观看时黑屏,有声音，观看别人画面黑，自己摄像头/共享没问题]]></description><category></category></item><item><title><![CDATA[Python绘制美观图表方法]]></title><link>https://blog.youkuaiyun.com/khtao/article/details/147848539</link><guid>https://blog.youkuaiyun.com/khtao/article/details/147848539</guid><author>khtao</author><pubDate>Sat, 10 May 2025 10:22:28 +0800</pubDate><description><![CDATA[要让Python绘制的图表变得美观，需要结合数据可视化库的使用技巧和设计原则。来提升图表的美观度和专业性。根据具体需求，可以调整颜色、尺寸、标注等参数来满足不同的可视化需求。• 使用现代可视化库（Plotly/Altair）• 使用Seaborn的预设样式。• 添加数据标签和注释。二、常见图表美化示例。]]></description><category></category></item><item><title><![CDATA[使用PyTorch训练马里奥强化学习代理的完整指南]]></title><link>https://blog.youkuaiyun.com/khtao/article/details/147836986</link><guid>https://blog.youkuaiyun.com/khtao/article/details/147836986</guid><author>khtao</author><pubDate>Fri, 09 May 2025 20:36:23 +0800</pubDate><description><![CDATA[以下是使用PyTorch训练马里奥强化学习代理的完整指南，涵盖依赖库配置、环境搭建、核心代码实现及输出结果分析，结合关键优化策略与实战经验。• 作用：将输入从RGB(240x256x3)降维到灰度(84x84x1)，并堆叠4帧以捕捉动态。• 注意：若使用Windows系统，需额外安装Visual C++编译工具链以支持部分库。• 后期（100万步）：稳定通过第一关，最高奖励达3000+。• 中期（50万步）：学会跳跃躲避障碍，奖励提升至500+• 效果：马里奥自动右移、跳跃吃金币，躲避敌人并通关。]]></description><category></category></item><item><title><![CDATA[对PyTorch模块进行性能分析]]></title><link>https://blog.youkuaiyun.com/khtao/article/details/147836812</link><guid>https://blog.youkuaiyun.com/khtao/article/details/147836812</guid><author>khtao</author><pubDate>Fri, 09 May 2025 20:24:58 +0800</pubDate><description><![CDATA[通过上述工具与策略，开发者可系统性地定位和解决PyTorch模型中的性能问题，实现训练速度提升和资源消耗降低的双重目标。• 吞吐量（Throughput）：单位时间处理的数据量（如images/sec），受批量大小和并行度影响。• 在代码中指定输出目录，通过TensorBoard查看GPU利用率、算子耗时分布和自动瓶颈检测建议。• GPU利用率：理想情况下应接近100%，低利用率可能由数据加载或同步问题导致。• CUPTI API：底层CUDA事件追踪，适用于分布式训练场景的深度优化。文件，便于版本对比。]]></description><category></category></item><item><title><![CDATA[增强学习（Reinforcement Learning）简介]]></title><link>https://blog.youkuaiyun.com/khtao/article/details/147836734</link><guid>https://blog.youkuaiyun.com/khtao/article/details/147836734</guid><author>khtao</author><pubDate>Fri, 09 May 2025 20:19:18 +0800</pubDate><description><![CDATA[• 价值函数（Value Function）：预测某状态或动作的长期回报（如Q-Learning中的Q表）。• 预期效果：经过约200轮训练，智能体可稳定保持平衡超过195步（CartPole-v1的胜利条件）。• 状态（State）：描述环境的当前信息（如棋盘布局、机器人传感器数据）。• 动作（Action）：智能体在特定状态下可执行的操作（如移动、下棋）。• 奖励（Reward）：环境对动作的即时反馈信号（如得分增加或惩罚）。• 策略（Policy）：从状态到动作的映射规则（如基于Q值选择动作）。]]></description><category></category></item><item><title><![CDATA[MAE自监督大模型在医学报告生成中的应用]]></title><link>https://blog.youkuaiyun.com/khtao/article/details/147796087</link><guid>https://blog.youkuaiyun.com/khtao/article/details/147796087</guid><author>khtao</author><pubDate>Thu, 08 May 2025 16:19:57 +0800</pubDate><description><![CDATA[MAE（Masked Autoencoder）是一种基于图像块（patch）掩膜重建的自监督学习方法，通过随机掩盖输入图像中75%的区域，强制模型从剩余可见区域学习全局语义表征。在ViT编码器中引入金字塔结构（MAE-P），低层级捕捉纹理细节（如DWI高信号区），高层级整合全局语义（如宫旁浸润范围）。通过重建被掩盖的MRI图像区域（如宫颈癌病灶的T2WI高信号区），模型能学习器官解剖结构（如宫颈基质环完整性）与病理特征（如肿瘤浸润深度）的关联。• 问题：生成报告中“肌层浸润”与“深肌层侵犯”表述混淆。]]></description><category></category></item><item><title><![CDATA[MAE自监督大模型在医学报告生成中的应用]]></title><link>https://blog.youkuaiyun.com/khtao/article/details/147795685</link><guid>https://blog.youkuaiyun.com/khtao/article/details/147795685</guid><author>khtao</author><pubDate>Thu, 08 May 2025 16:06:34 +0800</pubDate><description><![CDATA[总结：MAE通过自监督预训练突破医学标注瓶颈，结合多模态对齐与知识约束生成技术，已实现从影像特征提取到结构化报告生成的全流程自动化。• 轻量化解码器：华为云团队提出基于稀疏卷积的CNN-MAE（SparK），通过分层解码器设计减少计算量，在3D医学图像分割中Dice系数提升8%。• 病灶感知掩膜：优先掩盖非关键区域（如正常组织），保留病灶核心区，强制模型学习边缘特征。• 方案：联邦学习框架（Swarm Learning）实现多中心协同训练，在子宫内膜癌研究中AUC达0.892，隐私保护等级ε=2。]]></description><category></category></item><item><title><![CDATA[在分类任务中，显著性分析]]></title><link>https://blog.youkuaiyun.com/khtao/article/details/147538914</link><guid>https://blog.youkuaiyun.com/khtao/article/details/147538914</guid><author>khtao</author><pubDate>Sat, 26 Apr 2025 16:45:13 +0800</pubDate><description><![CDATA[在二分类任务中，显著性分析主要用于验证模型性能差异、特征重要性或分类变量关联性。以上方法可满足二分类任务中模型性能、特征关联性和参数显著性的分析需求。具体实现时需根据数据分布和样本量选择合适方法。三、分类器预测一致性检验（McNemar Test）• 小样本优先使用精确检验（如Fisher精确检验）• 多重比较需校正（Bonferroni或FDR）四、参数显著性分析（Logistic回归）• 完整实现需处理数据预处理和模型训练步骤。二、特征与分类结果的关联性分析。一、模型性能差异的显著性分析。]]></description><category></category></item><item><title><![CDATA[二分类任务中，统计置信区间]]></title><link>https://blog.youkuaiyun.com/khtao/article/details/147538833</link><guid>https://blog.youkuaiyun.com/khtao/article/details/147538833</guid><author>khtao</author><pubDate>Sat, 26 Apr 2025 16:40:13 +0800</pubDate><description><![CDATA[在二分类任务中，统计置信区间的方法需根据具体场景选择合适的技术。若需进一步了解特定场景的实现细节（如多分类扩展），可参考。• 大样本：正态近似或Agresti-Coull方法（Wilson的变体）。• 小样本：优先使用Clopper-Pearson或Wilson方法。• 模型指标：推荐Bootstrap方法（如AUC、召回率）。• 提高置信水平（如99%）会扩大区间宽度，降低误判风险。二、模型评估指标的置信区间（如AUC、准确率）一、二项式比例的置信区间（适用于正类比例）三、正态近似法（大样本适用）]]></description><category></category></item><item><title><![CDATA[不同模型架构和任务类型对输入图像尺寸的选择]]></title><link>https://blog.youkuaiyun.com/khtao/article/details/147444134</link><guid>https://blog.youkuaiyun.com/khtao/article/details/147444134</guid><author>khtao</author><pubDate>Wed, 23 Apr 2025 10:59:22 +0800</pubDate><description><![CDATA[输入尺寸为 224×224，图像被分割为16×16的块（共196个），经线性映射后输入Transformer编码器。多采用 800×1333（保持宽高比）或固定尺寸（如 512×512），兼顾效率与效果。常用 512×512 或 1024×1024，高分辨率可保留细节，提升分割精度。输入尺寸灵活，如 320×320（快速推理）或 608×608（高精度检测）。• 从256×256随机裁剪224×224可提升泛化性，常见于分类任务。• 大尺寸（如1024×1024）需更高显存，可能限制批大小。]]></description><category></category></item><item><title><![CDATA[使用Python绘制AUC曲线（即ROC曲线）]]></title><link>https://blog.youkuaiyun.com/khtao/article/details/147334011</link><guid>https://blog.youkuaiyun.com/khtao/article/details/147334011</guid><author>khtao</author><pubDate>Fri, 18 Apr 2025 15:28:33 +0800</pubDate><description><![CDATA[通过上述步骤，可快速实现AUC曲线的绘制与模型性能评估。如需进一步优化图形风格（如颜色、标注），可参考。• 数据集需包含真实标签（二分类：0/1）和模型输出的预测概率值（连续值）。• ROC曲线适用于二分类，多分类需使用One-vs-Rest策略生成多条曲线。：根据业务需求调整阈值（如医疗诊断需高TPR，风控需低FPR）。• 若AUC接近0.5，说明模型与随机猜测无异。[ROC曲线示意图，AUC值标注在右下角]：在同一图中绘制多条曲线，对比不同模型性能。• 常用模型如逻辑回归、随机森林等，通过。]]></description><category></category></item><item><title><![CDATA[WIN11运行游戏时出现“ms-gamingoverlay”弹框的问题]]></title><link>https://blog.youkuaiyun.com/khtao/article/details/147312292</link><guid>https://blog.youkuaiyun.com/khtao/article/details/147312292</guid><author>khtao</author><pubDate>Thu, 17 Apr 2025 19:24:30 +0800</pubDate><description><![CDATA[• 进入系统设置（Win+I）→ 左侧选择【游戏】→ 右侧点击【Xbox Game Bar】→ 关闭“使用控制器按钮打开Xbox Game Bar”选项。• 继续在“游戏”设置中，选择【屏幕截图/摄像】→ 关闭“录制游戏过程”“录制音频”等所有相关选项。• 确保系统为最新版本（设置→Windows更新），并重新安装游戏以修复可能损坏的文件。• 游戏运行时，通过任务管理器（Ctrl+Shift+Esc）关闭占用资源的非必要进程。• 将“启用或禁用游戏录制”设置为“已禁用”，重启电脑生效。]]></description><category></category></item><item><title><![CDATA[PyTorch的benchmark模块]]></title><link>https://blog.youkuaiyun.com/khtao/article/details/147287092</link><guid>https://blog.youkuaiyun.com/khtao/article/details/147287092</guid><author>khtao</author><pubDate>Wed, 16 Apr 2025 21:28:38 +0800</pubDate><description><![CDATA[精确测量代码运行时间，支持CPU/GPU时间统计，并自动处理CUDA异步执行的同步问题。：包含ResNet、Transformer、YOLO等主流模型，支持自定义数据集。：对比不同实现（如原生PyTorch vs TorchScript）的性能差异。：测试前需固定PyTorch版本、CUDA版本和硬件驱动，避免结果波动。：检查PyTorch版本升级后的性能变化（如1.12→2.0）。：测试模型在CPU/GPU/TPU上的性能表现，指导部署选型。，在反向传播时重新计算中间结果而非存储，适用于大模型训练。]]></description><category></category></item><item><title><![CDATA[在PyTorch中，使用不同模型的参数进行模型预热]]></title><link>https://blog.youkuaiyun.com/khtao/article/details/147287006</link><guid>https://blog.youkuaiyun.com/khtao/article/details/147287006</guid><author>khtao</author><pubDate>Wed, 16 Apr 2025 21:23:33 +0800</pubDate><description><![CDATA[在PyTorch中，使用不同模型的参数进行模型预热（Warmstarting）是一种常见的迁移学习和加速训练的策略。通过以上方法，可以灵活实现模型参数的迁移和初始化优化，显著提升训练效率。允许忽略源模型与目标模型之间不匹配的键（如不同层名或结构差异），仅加载匹配的参数，未匹配的层保持随机初始化。：加载预训练模型的骨干网络（如ResNet），替换分类头后微调。：当目标模型新增或删减部分层时，保留共有层的预训练参数。：例如，将图像分类模型的特征提取层用于目标检测任务。：使用字符串替换适配目标模型的层名。]]></description><category></category></item><item><title><![CDATA[Prediction of recurrence risk in endometrial cancer with multimodal deep learning]]></title><link>https://blog.youkuaiyun.com/khtao/article/details/147245774</link><guid>https://blog.youkuaiyun.com/khtao/article/details/147245774</guid><author>khtao</author><pubDate>Tue, 15 Apr 2025 11:27:11 +0800</pubDate><description><![CDATA[HECTOR模型通过。]]></description><category></category></item><item><title><![CDATA[SimpleITK (sitk) 中查看 DICOM 文件的像素位深（8位或16位）]]></title><link>https://blog.youkuaiyun.com/khtao/article/details/147232751</link><guid>https://blog.youkuaiyun.com/khtao/article/details/147232751</guid><author>khtao</author><pubDate>Mon, 14 Apr 2025 20:58:03 +0800</pubDate><description><![CDATA[存储原始数据（如 CT 的 HU 值），但部分设备可能输出 8 位图像（如部分超声或 X 光片）。通过以上方法，可以准确判断 DICOM 文件的像素位深，并根据需求进行后续处理。若需调整位深（如归一化到 8 位），可结合窗宽窗位进行动态范围压缩（参考。（范围通常为 -32768~32767 或 0~65535）。将图像数据转为 NumPy 数组后，通过。方法获取像素类型标识符，再通过。加载文件，生成图像对象。DICOM 文件通常使用。]]></description><category></category></item><item><title><![CDATA[DICOM文件分类]]></title><link>https://blog.youkuaiyun.com/khtao/article/details/147231600</link><guid>https://blog.youkuaiyun.com/khtao/article/details/147231600</guid><author>khtao</author><pubDate>Mon, 14 Apr 2025 20:01:21 +0800</pubDate><description><![CDATA[【代码】DICOM文件分类。]]></description><category></category></item><item><title><![CDATA[在Ubuntu系统中运行Windows程序]]></title><link>https://blog.youkuaiyun.com/khtao/article/details/147214958</link><guid>https://blog.youkuaiyun.com/khtao/article/details/147214958</guid><author>khtao</author><pubDate>Mon, 14 Apr 2025 11:24:54 +0800</pubDate><description><![CDATA[通过虚拟化技术（如VirtualBox）在Ubuntu中创建Windows虚拟机。：通过模拟Windows API环境直接运行.exe文件，无需安装完整系统。安装依赖库（如.NET Framework、Visual C++）提升兼容性。• 虚拟机需启用BIOS中的虚拟化功能（如Intel VT-x或AMD-V）• 复杂程序（如Office、Photoshop）可能存在兼容性问题。• 支持直接调用Linux硬件（如打印机、USB设备）• 资源占用低，适合运行简单工具（如单文件程序）]]></description><category></category></item><item><title><![CDATA[Python将DICOM（.dcm）文件转换为NIfTI（.nii）格式]]></title><link>https://blog.youkuaiyun.com/khtao/article/details/147212354</link><guid>https://blog.youkuaiyun.com/khtao/article/details/147212354</guid><author>khtao</author><pubDate>Mon, 14 Apr 2025 11:01:46 +0800</pubDate><description><![CDATA[具体实现时，推荐优先使用SimpleITK或dcm2niix，二者均已解决大部分DICOM兼容性问题。• 支持多平台（Windows/Linux/macOS）和高效压缩。：需要直接集成到Python流程中，支持批量处理和3D重建。• 适合处理多模态数据（如MRI的T1/T2序列）：需要BIDS格式元数据或处理复杂DICOM标签。• 支持压缩输出（.nii.gz）和方向校准。• 处理方向信息更准确（如强制RAS坐标系）• 需手动处理方向仿射矩阵（参考DICOM的。• 适合需要修改体素分辨率或坐标系的场景。]]></description><category></category></item><item><title><![CDATA[Ubuntu下解压ZIP压缩文件出现中文乱码问题的综合解决方案]]></title><link>https://blog.youkuaiyun.com/khtao/article/details/147210940</link><guid>https://blog.youkuaiyun.com/khtao/article/details/147210940</guid><author>khtao</author><pubDate>Mon, 14 Apr 2025 10:49:22 +0800</pubDate><description><![CDATA[由于ZIP格式未声明文件名编码标准，导致跨平台解压时文件名乱码。该工具支持30+种编码自动识别，解压后可保留目录结构。重启后所有unzip操作自动应用GBK编码。安装插件后，文件管理器右键解压自动处理编码。参数无效，需更新unzip或改用其他工具。长期使用推荐配置系统环境变量。编码压缩文件，而Ubuntu系统默认以。支持右键菜单解压，可手动选择编码。Windows系统默认使用。工具，若遇复杂情况可结合。]]></description><category></category></item></channel></rss>