qq_36421001的博客

import pydicom as dicomdicom_path = r'xxxx\0501506\I3Y2F1PE\SW3LNJ3W\I1000000'dcm = dicom.read_file(dicom_path,force=True)print("PatientID:",dcm.PatientID)#病人idprint("StudyInstanceUID:",dcm.StudyInstanceUID)#扫描的时间编号id，相同的扫描时间这个id是相同的print("SeriesInsta

在将dicom转nii的时候遇到了一个问题，就是医院给的dicom数据的每一个切片的命名是乱的，转成nii之后序列的z轴完全就是乱的，如下所示：按切片顺序打印的图像，完全就是乱序的，在ITK中打开也可以看到图像z轴是乱的：在网上找的dcm转nii的代码都是按照dcm命名来对dcm进行排序的，但是医院有时候给的数据命名不规范解决方案：用MicroDicom打开dicom图像，查看Dicom Tags，使用Instance number对切片进行排序，这个字段是存在dcm图像中的，而且按切片顺序保存

可以用ipython编程，方便查看代码块的输出结果，代码如下：import tensorflow as tfimport matplotlib as mplimport matplotlib.pyplot as plt%matplotlib inlineimport numpy as npimport sklearnimport pandas as pdimport osimpo...

第一步：在Linux终端输入cd /home/账号名/pycharm-community-2019.3/bin右键可以直接打开终端/home/账号名/pycharm-community-2019.3/bin是自己的pycharm安装包的路径，记得按自己的写，账户名记得写自己的。路径查看方式：找到Linux系统的pycharm安装包：点进去之后是这样子的：右键bin可以查看属性，属性...

导入所需库：import tensorflow as tfimport numpy as npt = tf.constant([[1.,2.,3.],[4.,5.,6.]])#二维向量print(t)print(t[:,1:])#打印第二列之后的print(t[...,1])#打印第二列print(t[...,0])#打印第1列print(t[0])#取第一行print(t[0...

import tensorflow as tfimport matplotlib as mplimport matplotlib.pyplot as plt%matplotlib inlineimport numpy as npimport sklearnimport pandas as pdimport osimport sysimport time from tensor...

tensorflow-icg大概是一个古老的框架吧，现在都没有什么人用，装了好多天，一定要记录下来，我的天啊啊啊啊，踩了无数坑，终于装好了，此方法大多是我摸索出来的，不一定适用于所有人噢，只是想记录一下自己的学习过程~此处附上原版安装链接，原版写的比较简单，对于新手极其不友好https://github.com/VLOGroup/tensorflow-icg官方给出的安装的是gpu版本的，也就...

自己整理的一些核磁共振重建综述文章，仅供参考，不发表~提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录摘要一、引言二、核磁共振成像原理2.1.核磁共振成像过程2.2.K空间2.3.核磁共振数据采集过程三 核磁共振重建方法3.1.部分傅里叶重建方法3.2.并行重建方法3.2.1 常用的并行重建方法3.2.2 同时多层重建方法3.2.3 三维并行成像3.3.压缩感知重建方法3.3.1 压缩感知原理3.3.2 压缩感知重建过程3.4.基于深度学习的MRI重建方法3.4.1 基于数据驱

深度学习框架介绍全世界最为流行的深度学习框架有PaddlePaddle、Tensorflow、Caffe、Theano、MXNet、Torch和PyTorch。PaddlePaddlePaddlePaddle（飞桨）是百度研发的开源开放的深度学习平台，是国内最早开源、也是当前唯一一个功能完备的深度学习平台。依托百度业务场景的长期锤炼，PaddlePaddle有最全面的官方支持的工业级应用模型，涵盖自然语言处理、计算机视觉、推荐引擎等多个领域，并开放多个领先的预训练中文模型，以及多个在国际范围内取得竞赛

深度学习模型中的数学组成部分：卷积提取图像中的局部特征，每个卷积核的权重可以被调整，以提取给定数据集和任务的最佳特征。传递函数（激活函数），如由ReLU，使非线性关系的学习成为可能。池化，如最大池化（下采样），以产生空间的粗特征映射，减小图像尺寸。 深度学习模型通常使用a-c中三个操作的迭代组合来产生图像的低维表示。空洞卷积（膨胀卷积）是标准卷积的Convolution map的基础上注入空洞，以此来增加感受野，同时保持参数的数量固定。因此，Dilated Convolution在Standar

Deep Residual Learning for Image RecognitionKaiming He Xiangyu Zhang Shaoqing Ren Jian Sun参考文献和链接：Deep Residual LearnDeep Residual Learning for Image Recognition, He-Kaiming, 2015https://www.jianshu.com/p/93990a641066https://blog.csd

U-Net: Convolutional Networks for Biomedical Image Segmentation参考文献：[1] Ronneberger O, Fischer P, Brox T. U-net: Convolutional networks for biomedical image segmentation[C]//International Conference on Medical image computing and computer-assis

文章目录前言一、将nii图像数据转成npy格式二、加载数据1.加载数据，Dataset.py:1.一些其他函数，utils.py:二、建模 model.py二、训练 train.py二、预测 predict.py总结前言本文从数据预处理开始，基于LeNet搭建一个最简单的3D的CNN，计算医学图像分类常用指标AUC，ACC，Sep，Sen，并用5折交叉验证来提升预测指标，来实现3D的MRI图像二分类一、将nii图像数据转成npy格式首先将nii图像数据转成npy格式，方便输入网络import

标题： Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift随机梯度下降法（SGD）是训练深度网络的首选，利用momentum 和Adagrad等来达到最佳的性能。尽管随机梯度下降法对于训练深度网络简单高效，但是需要我们人为的去选择参数，比如学习速率、初始化参数、权重衰减系数、Dropout比例，等等。这些参数的选择对训练结果至关重要，以至于我们很多时间都浪费在这些的调参上。

论文标题：Fully Convolutional Networks for Semantic Segmentation参考文献和链接：[1] Long, Jonathan, Evan Shelhamer, and Trevor Darrell. “Fully convolutional networks for semantic segmentation.” Proceedings of the IEEE Conference on Computer Vision and Pat

目录文章目录目录核磁共振基本原理：重建原理：基于深度学习的核磁共振影像重建概述：VN网络结构：参数和损失函数：核磁共振基本原理：重建原理：核磁共振扫描采集的数据是k空间数据，也就是频域数据，通过傅里叶变换可以得到图像域数据。重建就是把k空间数据转换为图像域数据的过程。基于深度学习的核磁共振影像重建概述：Learning a Variational Network for Reconstruction of Accelerated MRI Data目的：通过学习将变分模型的数学结构

import numpy as npimport mathimport randomimport pandas as pddef sigmoid(x): return 1/(1+np.exp(-x))def dsigmod(y): return y*(1-y)class BP(): def __init__(self,ni,nh,no): #节点数 self.ni=ni#输入节点 sel...

代码实现：import numpy as npimport matplotlib.pyplot as pltfrom mpl_toolkits.mplot3d import Axes3Dclass LDA(): def __init__(self): self.w=None def calculate_covariance_matrix(self,X,Y=None): #计算协方差矩阵 m=X.shape[0] ...

逻辑回归，也叫对数几率回归：import numpy as npimport matplotlib.pyplot as pltfrom sklearn.datasets._samples_generator import make_classificationclass logistic_regression(): def __init__(self): pass # 先定义一个sigmoid函数 def sigmoid(self

线性模型线性回归(linear regression)多元线性回归

1，反向传播算法训练步骤总结：1.1步骤：在网络的训练过程中，梯度计算分为前向计算与反向传播 :1）随机初始化权重和偏差；2）在正向传播过程中，输入信息通过输入层经隐含层，逐层处理并传向输出层；3） 如果在输出层得不到期望的输出值，则取输出与期望的误差的平方和作为目标函数，计算输出与期望值之间的误差；4）转入反向传播，逐层求出目标函数对各神经元权值的偏导数，构成目标函数对权值向量的梯量，作为修改权值的依据，对每个产生误差的神经元，调整相应的权重值，以减小误差，网络的学习在权值修改过程中完成。5