- 博客(138)
- 资源 (3)
- 收藏
- 关注
RSS订阅原创 基于对比增强的超声视频的域知识为乳腺癌诊断提供了深度学习
近年来，深度学习已被广泛用于乳腺癌的诊断中，并且出现了许多高性能模型。但是，大多数现有的深度学习模型主要基于静态乳房超声（US）图像。在实际诊断过程中，对比增强超声（CEU）是放射科医生常用的技术。与静态乳房图像相比，CEUS视频可以提供更详细的肿瘤血液供应信息，因此可以帮助放射学家进行更准确的诊断。在本文中，我们提出了一个基于CEUS视频的新型诊断模型。该模型的骨干是一个3D卷积神经网络。更具体地说，我们注意到放射线医生在浏览CEUS视频时通常遵循两种特定模式。
2025-02-08 16:16:55
299
原创 2025年博士自荐——给个机会我定肝脑涂地（狗头）
首先感谢各位在百忙之中抽空阅读我的申博自荐信！我是徐州医科大学生物医学工程25届硕士研究生ZQ，申请攻读贵组2025级博士研究生。我的主要研究为基于深度学习的医学图像处理，包括纵膈淋巴结、乳腺病灶超声图像分割、超声图像-SAM大模型应用等。以第一作者发表中科院三区SCI文章一篇、北大核心一篇、EI一篇。具体成果包括：以第一作者在《中国图象图形学报》（北核）和《Frontiers in Neuroscience》（Q2，IF:3.2）分别发表论文1篇，参与发明专利授权3项（2项三作1项二作）。另有两篇SCI
2024-10-21 10:09:20
559
6
原创 Windows 下安装mamba_ssm 记录，包括causal-conv1d和mamba-ssm
我也是装了两天左右才把windows的mamba-ssm装好，摸索了很多，下面是一些在安装过程中的问题和提示，下载链接：https://download.pytorch.org/whl/cu118。，把setuptools卸载干净就行，包括python自带的。这个报错总结起来就是。
2024-10-08 09:34:14
2888
4
原创 部署SAM2遇到的问题
起初，`我的Python版本为3.7，PyTorch版本为1.12`。然而，由于SAM2中的一个Attention模块需要更高版本的PyTorch，我按照SAM2-Adapter的要求创建了一个新的环境，`升级到了Python 3.8和PyTorch 2.4`。在此过程中遇到了一些问题，记录如下。
2024-08-27 21:12:15
630
原创 数据处理——根本表格信息重写图片名，检查图片名是否对应，二值图转换，输出二值图中目标个数等
1. 根据表格信息重命名图片名称2. 判断两个文件夹中名称是否相同3. 按照要求重命名图片名称4. 根据图片名称重命名图片5. 将图片转换成二值图并改变后缀名6. 统计二值图中目标的个数并输出符号条件的图片名称7. 将JSON数据写到表格中8. 重命名data下的各个数据集中的图片名
2024-08-13 22:17:28
735
原创 分割大模型论文阅读——SAMUS
分割任意模型（SAM）是一种著名的通用图像分割模型，最近在医学图像分割领域引起了相当多的关注。尽管 SAM 在自然图像上表现出色，但在处理医学图像时**，尤其是涉及低对比度、模糊边界、复杂形状和小尺寸物体的图像时，它会遇到显着的性能下降和有限的泛化能力。** 在本文中，我们提出了 SAMUS，一种专为超声图像分割而定制的通用模型。与之前基于SAM的通用模型相比，SAMUS不仅追求更好的泛化性，而且还追求更低的部署成本，使其更适合临床应用。
2024-05-20 14:26:06
776
1
原创 分割大模型论文阅读——SAM-Med2D
Segment Anything Model (SAM) 代表了自然图像分割领域最先进的研究进展，通过点和边界框等输入提示取得了令人印象深刻的结果。然而，我们的评估和最近的研究表明，直接将预训练的 SAM 应用于医学图像分割并不能产生令人满意的性能。这种限制主要源于自然图像和医学图像之间的显着域差距。为了弥补这一差距，我们引入了 SAM-Med2D，这是将 SAM 应用于医学 2D 图像的最全面的研究。收集最大规模的医学数据的综合分析、对各种微调方案最全面的研究、对性能最全面的评估。具体来说。
2024-05-20 10:25:56
1372
1
原创 分割大模型论文阅读——Medical SAM Adapter Adapting Segment Anything Model for Medical Image Segmentation
Segment Anything Model (SAM) 最近在图像分割领域广受欢迎，因为它在各种分割任务中具有令人印象深刻的功能及其基于提示的界面。然而，最近的研究和个别实验表明，由于缺乏医学专业知识，SAM 在医学图像分割方面表现不佳。这就提出了如何增强 SAM 对医学图像的分割能力的问题。在本文中，我们没有对 SAM 模型进行微调，而是提出了医学 SAM 适配器 (Med-SA)，它使用轻量而有效的适应技术将特定领域的医学知识融入到分割模型中。
2024-05-20 10:23:34
554
1
原创 分割大模型论文阅读——nnSAM: Plug-and-play Segment Anything Model Improves nnUNet Performance
计算机视觉基础模型的最新发展，特别是分割任意模型（SAM），允许可扩展且与领域无关的图像分割作为通用分割工具。与此同时，医学图像分割领域也从 nnUNet 等专门的神经网络中受益匪浅，该网络在特定领域的数据集上进行训练，并且可以自动配置网络以适应特定的分割挑战。为了结合基础模型和特定领域模型的优点，我们提出了 nnSAM，它将 SAM 模型与 nnUNet 模型协同集成，以实现更准确和鲁棒的医学图像分割。
2024-05-20 10:20:31
461
1
原创 分割大模型论文阅读——Ladder Fine-tuning approach for SAM integrating complementary network
最近，引入了基础模型来演示计算机视觉领域的各种任务。这些模型（例如分割任意模型（SAM））是使用庞大数据集训练的通用模型。目前，正在进行的研究重点是探索这些通用模型在特定领域（例如医学成像）的有效利用。然而，在医学成像中，由于隐私问题和其他因素，训练样本的缺乏给这些广义模型应用于医学图像分割任务带来了重大挑战。为了解决这个问题，对这些模型进行有效的微调对于确保其最佳利用率至关重要。在本研究中，我们建议将互补的卷积神经网络 (CNN) 与标准 SAM 网络结合起来进行医学图像分割。
2024-05-20 10:14:38
238
1
原创 分割大模型论文阅读——UN-SAM: Universal Prompt-Free Segmentation for Generalized Nuclei Images
在数字病理学中，精确的细胞核分割至关重要，但受到组织类型、染色方案和成像条件多样性的挑战。最近，分割任何模型（SAM）在自然场景中展现出压倒性的性能，并且对医学成像的适应性令人印象深刻。尽管有这些优点，但对劳动密集型手动注释作为分割提示的依赖严重阻碍了其临床适用性，特别是对于包含大量细胞的核图像分析，其中密集的手动提示是不切实际的。为了克服当前 SAM 方法的局限性，同时保留其优势，我们提出了用于细胞核分割的通用无提示 SAM 框架 (UN-SAM)，通过提供具有卓越泛化能力的全自动解决方案。
2024-05-20 10:13:03
643
1
原创 分割大模型论文阅读——SAM on Medical Images: A Comprehensive Study on Three Prompt Modes
分割任意模型（SAM）最近引人注目，激发了许多研究人员探索其在零样本泛化能力方面的潜力和局限性。作为第一个用于分割任务的快速基础模型，它是在具有空前数量的图像和注释的大型数据集上进行训练的。这种大规模数据集及其及时性赋予模型强大的零样本泛化能力。尽管 SAM 在多个数据集上表现出了有竞争力的性能，但我们仍然想研究其在医学图像上的零样本泛化。众所周知，医学图像标注的获取通常需要专业从业者的大量努力。
2024-05-20 10:11:10
125
1
原创 分割大模型论文阅读——All-in-SAM: from Weak Annotation to Pixel-wise Nuclei Segmentation
分割任意模型 (SAM) 是最近在通用零样本分割方法中提出的基于提示的分割模型。凭借零样本分割能力，SAM 在各种分割任务上实现了令人印象深刻的灵活性和精度。然而，当前的流程在推理阶段需要手动提示，这对于生物医学图像分割来说仍然是资源密集型的。在本文中，我们没有在推理阶段使用提示，而是引入了一种利用 SAM 的方法（称为 all-in-SAM），贯穿整个 AI 开发工作流程（从注释生成到模型微调），而无需在推理过程中进行手动提示阶段。具体来说，SAM 首先用于根据弱提示（例如点、边界框）生成像素级注释。
2024-05-20 10:09:21
199
1
原创 分割大模型论文阅读——Convolution Meets LORA: Parameter Efficient Finetuning for Segment Anything Model
Segment Anything Model (SAM) 是图像分割的基础框架。虽然它在典型场景中表现出显着的零样本泛化能力，但当应用于医学图像和遥感等专业领域时，其优势就会减弱。为了解决这一限制，本文引入了 Conv-LoRA，这是一种简单而有效的参数高效微调方法。通过将超轻量级卷积参数集成到低秩适应 (LoRA) 中，Conv-LoRA 可以将与图像相关的归纳偏差注入到普通 ViT 编码器中，进一步强化 SAM 的局部先验假设。
2024-05-20 10:08:17
359
1
原创 分割模型部件——将gt用边界在原始图像上展示，将pred用掩膜在原始图像上展示
在论文可视化结果时，简介明了的展示我们自己模型的分割结果与gt的区别是十分重要的，因此这里记录一下自己的可视化方式。因为大多数操作都是基于cv2进行的，因此你需要保持输入图像的h，w，c的顺序，RGB的顺序等。没办法贴全自己的所有代码，因此以下代码建议各位借助Chat-GTP学透了再使用，不可盲目使用。
2024-05-16 09:36:16
545
原创 logger使用，解决中文乱码问题，重复缓存问题
在模型训练过程中，想把控制台内容输出的内容缓存起来，以便后期检查使用，就用起了logger。用的时候遇到过中文乱码问题以及重复缓存问题（模块时，如果实例化了多个 loggers 并且日志处理器没有被正确地移除，可能会导致日志数据重复。在 Python 中使用。
2024-05-16 08:04:51
770
原创 Swin-UMamba—基于 Mamba 的 UNet 和基于 ImageNet 的预训练—论文精读和代码实践
准确的医学图像分割需要集成多尺度信息从局部特征到全局依赖性。然而，现有方法对远程全局信息进行建模具有挑战性，其中卷积神经网络（CNN）受到其局部感受野的限制，而视觉变换器（ViT）则受到其注意力机制的高二次复杂度的影响。最近，基于 Mamba 的模型因其在长序列建模方面令人印象深刻的能力而受到极大关注。多项研究表明，这些模型在各种任务中都可以优于流行的视觉模型，提供更高的准确性、更低的内存消耗和更少的计算负担。
2024-03-06 16:17:40
6056
10
原创 图像预处理——将img和mask根据自己的要求同时裁剪——matlab代码
超声的原始图像不仅包含了用于诊断的信息，还掺杂了诸如机器型号、日期等不相关的信息。为了确保后续神经网络分割的准确性和有效性，需要对这些无关信息进行裁剪，仅保留与分割任务直接相关的img和mask部分。这样既能优化数据处理流程，又能提升后续分析的精准度。
2024-03-05 10:45:03
682
原创 VM-UNet:视觉Mamba UNet用来医学图像分割 论文及代码解读
付费专栏，不定期分享最新医学图像分割论文，详细解读论文及代码，没有代码的论文不放在此专栏中！介绍了Mamba模型在医学图像分割领域的论文及相关代码，代码可直接复制使用
2024-02-26 21:31:12
20733
82
原创 unsqueeze()和squeeze()
`unsqueeze()` 函数是 PyTorch 中的一个张量操作函数，用于在指定位置添加一个新的维度。该函数的作用是在张量的指定位置插入一个新的维度，从而改变张量的形状。
2024-02-21 15:23:27
1255
原创 TableAgent 让数据分析变得轻松简单，魔鬼级数据实例展示
TableAgent是一款卓越的数据分析工具，以其直观的数据分析介绍、对话式数据分析体验、精准的图表与数据汇总、透明的数据分析过程以及领先的市场地位，深受用户喜爱。它不仅能够自动理解数据并给出清晰的情况分析，降低数据分析的入门门槛，还能通过会话式交互方式，让用户像与专业数据分析师对话一样进行数据分析。此外，TableAgent的“白盒”分析能力也让用户可以清晰地了解数据分析的每一个步骤和过程，确保分析的透明度和可信度。相较于其他免费资源平台，TableAgent具有明显的优势。
2023-12-15 17:03:36
5635
10
原创 C-Net：用于乳腺超声图像分割的具有全局指导和细化残差的级联卷积神经网络
乳腺病灶分割是计算机辅助诊断系统的重要一步。然而，散斑噪声、异质结构和相似的强度分布给乳腺病灶分割带来了挑战。在本文中，我们提出了一种集成 U-net、双向注意引导网络（BAGNet）和细化残差网络（RFNet）的新型级联卷积神经网络，用于乳腺超声图像中的病变分割。具体来说，我们首先使用 U-net 生成一组包含低级和高级图像结构的显着图。然后，使用双向注意力引导网络从显着性图中捕获全局（低级）和局部（高级）特征之间的上下文。全局特征图的引入可以减少周围组织对病变区域的干扰。
2023-10-17 17:13:45
2368
2
原创 GG-Net: 超声图像中乳腺病变分割的全局指导网络
超声波自动乳腺病灶分割有助于诊断乳腺癌，这是影响全球女性的可怕疾病之一。由于固有的散斑伪影、模糊的乳腺病变边界以及乳腺病变区域内的不均匀强度分布，从超声图像中准确分割乳腺区域是一项具有挑战性的任务。最近，卷积神经网络（CNN）在医学图像分割任务中表现出了显着的效果。然而，CNN 中的卷积运算通常集中于局部区域，其捕获输入超声图像的远程依赖性的能力有限，导致乳腺病变分割精度下降。在本文中，我们开发了一种配备全局引导块（GGB）和乳腺病灶边界检测（BD）模块的深度卷积神经网络，用于增强乳腺超声病灶分割。
2023-10-09 21:15:26
13267
8
原创 AAU-net: 用于超声图像中乳腺病变分割的自适应注意力U-Net
TMI2023年较新的一篇写乳腺分割的文章，文章创新点易懂，重点是实验部分做的很充分。
2023-10-07 14:33:37
3588
7
原创 CSwin-PNet: CNN-Swin-Vit 组合金字塔网络用于超声图像中乳腺病变分割
目前，基于乳腺超声（BUS）图像的乳腺肿瘤自动分割仍然是一项具有挑战性的任务。**大多数病变分割方法是基于卷积神经网络（CNN）实现的，其在建立长程依赖关系和获取全局上下文信息方面存在局限性。**最近，基于Transformer的模型由于其强大的自注意力机制而被广泛应用于计算机视觉任务中来构建远程上下文信息，并且其效果比传统的CNN更好。在本文中，CNN 和 Swin Transformer 连接作为特征提取主干，构建用于特征编码和解码的金字塔结构网络。首先，我们设计了一个交互式通道注意（ICA）模块。
2023-09-11 17:16:08
2041
8
原创 SegNetr: 重新思考 U 形网络中的局部-全局交互和跳过连接
近年来，U 形网络因其简单且易于调整的结构而在医学图像分割领域占据主导地位。然而，现有的U型分割网络：1）大多侧重于设计复杂的自注意力模块来弥补基于卷积运算的长期依赖性的不足，这增加了网络的总体参数数量和计算复杂度；2）简单地融合编码器和解码器的特征，忽略它们空间位置之间的联系。在本文中，我们重新思考上述问题并构建了一个轻量级的医学图像分割网络，称为SegNetr。具体来说，我们引入了一种新颖的 SegNetr 模块，它可以在任何阶段动态地执行局部-全局交互，并且仅具有线性复杂度。
2023-09-08 15:51:11
1160
3
原创 UNext：基于 MLP 的快速医学图像分割网络
有代码，可深入学习轻量级分割模型的论文切入点UNet 及其最新扩展（如 TransUNet）近年来一直是领先的医学图像分割方法。然而，这些网络无法有效地用于应用中的快速图像分割，因为它们参数繁重、计算复杂且使用缓慢。为此，我们提出了 UNeXt，它是一种基于卷积多层感知器（MLP）的图像分割网络。我们以有效的方式设计了 UNeXt，其中包括早期卷积阶段和潜在阶段的 MLP 阶段。我们提出了一个标记化的 MLP 块，我们可以在其中有效地标记和投影卷积特征，并使用 MLP 来对表示进行建模。
2023-09-07 19:30:00
3536
2
原创 ATTransUNet：一种增强型混合Transformer结构用于超声图像分割
主要介绍该期刊的基本情况，阅读学习一下该篇文章医学图像的准确自动分割是临床诊断和分析的关键步骤。本文提出了一种增强型Transformer混合分割网络（ATTransUNet）来探索医学图像中高效的token挖掘方法，并结合自注意力机制进行医学图像分割，以达到性能和效率之间的平衡。此外，为了进一步提高分割精度并融合CNN和Transformer各自的优点，本文设计了选择性特征强化模块（SFRM）。本文提出的模型能够准确定位待分割的结构，显着提高了多个数据集上医学图像分割的准确性。
2023-09-07 09:29:09
634
原创 中国计算机学会CCF推荐的国际会议（图像处理方向）
CCF根据论文的质量和影响力，对国际期刊和国际会议进行了评估和分类，以便研究者在选择发表论文或参与学术交流时有参考依据。CCF推荐的国际会议被分为A类B类和C类三个等级。A类会议代表高水平和较大影响力的会议，B类和C类会议的影响力也逐步提升。需要注意的是，CCF的评级是根据一定的评估标准和方法进行的，并且评级结果会不定期进行更新和调整。因此，本文针对2023年新发布的和医学图像处理方向的会议和期刊进行展示。中国计算机学会推荐国际学术会议和期刊目录正式发布。
2023-06-08 15:10:41
4204
原创 中文核心论文写作经验总结和工具推荐
从3.24到5.28断更两个月，都在忙着这个论文。虽然是一个中文核心，但是论文的体量和稀奇古怪的要求`🐕保命`，一直鞭策着我前进。从前期的实验到后期的撰写，学到了很多很多很多，也对写论文和做科研有着一定的了解，对整体的流程也有着一定的认识。因此本文重点介绍了自己在论文写作中的经验和推荐好用的工具。
2023-05-28 15:35:16
1274
1
原创 从 X 入门Pytorch——BN、LN、IN、GN 四种归一化层的代码使用和原理
文章详细介绍了Pytorch中四种常见的归一化层的原理和代码使用，同时配上一目了然的对比图。这个暂时是全网最全和排版最好的介绍归一化层的博客了
2023-03-24 15:15:24
5532
2
原创 从 X 入门Pytorch——Tensor的自动微分、计算图，常见的with torch.no_grad()机制
文章介绍了我们在模型训练过程中常见的detach操作，with torch.no_grad()操作的机制，同时介绍了以上两个操作的基础原理，就是Tensor的自动微分机制。
2023-03-23 21:21:56
819
原创 从 X 入门Pytorch——Tensor的索引，切片，拼接，拆分，Reduction操作
本文汇总了Tensor常见的索引，切片，拼接和拆分操作，同时给出了示例进行演示
2023-03-18 15:45:07
10006
2
原创 从 X 入门Pytorch——环境安装建议，Tensor多种构造方式，Tensor的基本操作
满打满算，入门CV的坑已经快一年了，现在忙着换模型，加模块，看效果。但是最近看了一篇UNet++模型提出者对UNet的剖析和探讨大受震撼，同时结合自己之前在模型创新中吃过的亏，感觉基础不牢，地动山摇，于是开了这篇博文。文章介绍了你知道的和不知道的构造张量的方法，给出了张量的基础操作。同时两天之内更新张量的切片，索引，拼接，拆分，Reduction等操作
2023-03-16 15:47:41
1309
影像组学入门汇报PPT
2022-12-16
计算机毕业设计——基于SpringBoot的社区防疫系统/前后端分离
2022-06-28
前后端分离+Vue和html两种实现方式+SpringBoot++下载即可跑通
2022-06-02
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人