NewDay_的博客

【代码】ubuntu20下使用 torchviz可视化计算图。

综合利用以上不同类型的MRI图像，医生可以获得关于肿瘤的详细信息，包括其位置、大小、形态、血管供应情况、细胞密度等，从而制定更有效的诊断和治疗方案。同时，需要注意的是，最终的诊断和治疗决策应该基于综合考虑MRI结果、临床病史、实验室检查等多方面信息。在癌细胞检测中，不同类型的磁共振成像（MRI）可以提供不同的信息，有助于医生更全面地评估肿瘤的特性和生长情况。

全卷积网络（Fully Convolutional Network，FCN）和卷积神经网络（Convolutional Neural Network，CNN）是两种常见的神经网络架构，它们在设计和应用上有一些区别。总的来说，全卷积网络是卷积神经网络的一种扩展，主要用于图像分割任务，能够对任意尺寸的输入图像进行像素级别的预测。而卷积神经网络则更广泛地应用于图像分类、目标检测和图像识别等任务，对输入图像的尺寸有一定的限制。

医学图像处理与分析几个方向

神经网络的早期层捕获可归一化的低级图像特征（图像边缘），后面的层捕获更高级的或者特定于任务的细节（细节特征）。2 微调，用预训练模型进行医学图像训练，调整最后几层和输出层。1 预训练在数据集的自然图像上，目的提取图像特征。转换是否符合现实场景以及能否达到增强目的。两个微调的方法：调整全部的网络层。增强后的数据必须符合原有标签。设置不同任务的损失函数。

当患者存在多个不同数据时划分数据集应避免随机划分，避免同一个患者的数据出现在训练集，验证集，测试集。使用按患者划分数据集根据合理。采用顺序为测试集，验证集，训练集（在数据不平衡也能进行训练）共识投票：由三名医学专家进行投票，多数服从少数确定最终结果。集采用：测试集或者验证出现数据不平衡问题。额外检查：通过其他医学检查确定。