luemeon的博客

功能：节点分类和图分类空域 ：空间上考虑图结构的模型，即考虑目标节点和其他节点的几何关系(有无连接)。模型代表：GAT（Graph Attention Networks）图注意力模型频域：模型代表：GCN（Graph Convolutional Network ）图卷积网络优点：省参数缺点：不易作用于动态图共同步骤：加工图邻接矩阵 对图邻接矩阵特征分解，得到特征值， 将特征向量看作常数，而卷积核作用在特征值上......

PHANTOM EXPERIMENT是一个医学实验中的术语，通常指与人体组织等效的一种“模体”，用于进行试验。在一些实验中，由于使用人体组织价格昂贵或因受到当地法规的限制，因此相关机构会选择与人体组织等效的模体来进行试验³。在不同的成像窗口下共获得6个体积，以确保算法不与特定的成像姿态过拟合。5个体积用于训练，1个体积用于测试，而目标平面的3个地标点在所有体积中都可见，并用于标记目标平面位置的地面真实值。作者提出了一种基于深度强化学习（DRL）的方法，利用6-DOF控制来自动提取标准平面。

在未来的研究中，这些方法有望被集成到真实的机器人系统中，以自动解释超声图像，并实时指导探头的运动，从而模拟超声医生的视觉搜索和导航策略。在过去的几十年里，由于传感器设计[81]和图像增强技术[82]的进步，在临床设备的成像质量有了极大的提高。然而，由于声学传播很容易受到介质特性的影响，因此在体外超声成像任务中，正确定位超声探头以确保良好的图像质量是很重要的。在[54]，[56]中，利用b模式图像的亮度来检测由于与患者接触不当而造成的阴影伪影，并相应地调整探针方向以提高图像质量。基于实时感知来规划扫描路径。

2021 Recognition of Fetal Facial Ultrasound Standard Plane Based on Texture Feature Fusion基于纹理特征融合的胎儿面部超声标准平面识别

2019年，开源，少量标注

一个多尺度强化学习（RL）代理框架，并广泛地评估了几种基于深度q-网络（DQN）的策略。实时，无需标注提取MRI中标准切面

2018通过解剖标志检测提取腹部平面，并将其与胎儿器官模型对齐。

Diagnostic Plane Extraction from 3DParametric Surface of the Fetal Cranium胎儿颅骨三维参数表面的诊断平面提取

识别、提取三维超声中标准平面的总结+论文+代码合集

基于阴影感知双agent框架的自主脊柱超声成像的机器人超声探针的图像引导导航

深度强化学习实现超声探头向标准扫描平面的自主导航

Searching Collaborative Agents for Multi-plane Localization in 3D Ultrasound多智能体强化学习（MARL）定位超声多个标准切面，超声标准平面检测论文代码合集

Agent with Warm Start and Adaptive Dynamic Termination for Plane Localization in 3D Ultrasound强化学习的超声标准平面检测论文代码合集

超声标准平面检测论文代码合集Agent with Warm Start and Active Termination for Plane Localization in 3DUltrasound基于强化学习的超声标准切面

超声标准平面检测论文代码合集Agent with Tangent-based Formulation and Anatomical Perception for Standard Plane Localization in 3D

3种迁移学习策略：迁移模型的结构调整策略、参数调整策略，从迁移模型中提取特征的策略绝大多数研究采用基于模型的迁移学习,并且主 要采用深度卷积神经网络( deep convolution neural network,DCNN)作为迁移模型。结构调整策略指修改迁移模型结构的方式,根 据需要删除某些层或增加某些层,包括卷积层、完全 连接(full connection,FC)层和其他层。 其他层属于 卷积层或 FC 层,例如池化层属于卷积层,而 softmax 层属于 FC 层。使用多种方法分别提取同 一个图像

目录非对称的编码-解码架构：方法 流程编码器解码器Partial Fine-tuning随机遮盖输入图片的子块，重建丢失像素由MAE预训练的模型具有很好的泛化性能编码器的输入为没有被mask的子块；解码器为轻量级（解码器仅在图像重建的预训练中起作用，因此解码器设计可独立于编码器，且灵活和轻量级），输入为编码器的输入和被mask部分的位置信息，输出为待重建的丢失像素的值。与经典自编码器不同之处在于：采用了非对称设计，使编码器仅依赖于 部分观测信息 (无需掩码token信息，BERT需要)，轻量解码器则直接与

可扩展动态路由的自监督预训练范式SDRNet，在分类和检测任务上SOTA！（state-of-the-art 目前最好/最先进的）自监督预训练的常见做法是使用尽可能多的数据。对于特定的下游任务，在预训练中涉及无关数据可能会降低下游性能。对于现有的SSL方法，在针对不同任务的预训练中使用不同的下游任务定制数据集比较繁琐。提出了一种称为可扩展动态路由（Scalable Dynamic Routing，SDR）的新SSL范式，该范式可以训练一次，并使用任务定制的预训练模型有效地部署到不同的下游任务。用不同的子网构

基于群感知图神经网络的全国城市空气质量预报简介现有的空气质量预测模型可分为物理模型和机器学习模型两大类。物理模型是根据空气运动和物质扩散理论设计的，要求污染源数据的完整性，泛化能力较差。机器学习模型从数据中学习输入特征和AQI值空气质量指数（Air Quality Index）之间的关系，可以进一步细分为时间序列分析模型、统计回归模型和深度学习模型。时间序列分析模型通过在历史观测序列中寻找线性模式来预测AQI值，但不能接受序列数据以外的特征输入。统计回归模型能够支持多源特征输入，但模