- 博客(16)
- 收藏
- 关注
RSS订阅原创 SLNet--无监督变形脑MRI配准的相似学习网络
我们提出了一种用于无监督变形脑MRI配准的相似学习网络(SLNet)。我们利用变压器对现有的配准方法进行了探索,并 进一步提出了两点见解。第一个见解是,通过将变压器应用于编码器来提高性能的关键在于计算固定或移动特征中的相似矩阵以识别显著特征,从而增强特征提取。第二个见解是,将变压器应用于解码器以提高性能的关键是计算固定和运动特征之间的相似矩阵以找到匹配的特征,从而获得准确的变形场。
2025-04-14 14:25:17
560
原创 ScaMorph ：通过规模感知上下文聚合增强医学图像配准中的无监督学习
（1）我们介绍了ScaMorph，这是一种卷积神经网络和Transformer架构的创新融合，专为可变形图像配准而设计。这个开创性的模型无缝集成了局部和全局依赖性，提高了配准过程中的准确性和弹性（2）为了增强我们模型的性能，我们引入了尺度感知上下文聚合（SCA）机制，将强大的多尺度混合卷积（MMC）与进化的轻量级多尺度上下文融合（MCF）相结合，以同化多尺度上下文，导致更精确和可靠的配准结果。
2025-03-27 21:24:56
811
原创 基于残差对准器的网络(RAN)
医学图像配准（Image Registration）是医学图像分析中的核心任务，旨在对齐不同时间、模态或个体的医学图像。其主要应用包括：1）纵向分析：通过时间序列图像的配准，追踪疾病进展或治疗效果。2）多模态融合：整合不同成像设备（如CT、MRI）的信息，提供更全面的诊断依据。3）群体研究：对齐不同个体的图像，支持基于群体的统计分析。传统方法的局限性传统配准方法（如Demons算法、自由形变模型）通过优化能量函数估计位移场，但存在以下问题：1）计算效率低：依赖迭代优化，计算复杂度高，难以满足临床实时需求。
2025-03-27 21:24:12
269
原创 文献阅读p8：MsFTMorph
光学系列分析图像（OCR）降低斑点噪声的方法可分为两类：单帧去噪和多帧平均去噪。单帧去噪：*传统方法基于偏微分方程（PDE）的非线性扩散方法在OCT图像增强和去噪。*基于非局部均值（Nonlocal Means, NLM）的去噪滤波器，使用双高斯各向异性核来有效抑制OCT图像中的散斑噪声。深度学习方法：*结合图像风格迁移和条件生成对抗网络（cGAN）。但受限制于单次b扫描的信息内容。多帧平均：是一种通过对在相同或附近位置采集的多个帧进行平均来提高光学断层扫描图像质量的方法。
2025-03-11 23:32:03
345
原创 文献阅读p7-swin - unet：用于医学图像分割的unet类纯Transformer
swin - unet：用于医学图像分割的unet类纯Transformer视觉变压器 (vision transformer, ViT)(1)基于Swin Transformer模块，我们构建了一个具有跳过连接的对称编码器-解码器架构。在编码器中，实现了从局部到全局的自我关注;在解码器中，将全局特征上采样到输入分辨率，进行相应的像素级分割预测。(2)开发补丁扩展层，无需使用卷积或插值操作即可实现上采样和特征维度的增加。(3)实验中发现跳过连接对Transformer也有效，因此最终构建了一个纯基于Tran
2025-03-11 23:30:48
621
原创 文献阅读p6--基于CT影像的深度学习模型用于肝癌疗效和临床终点的自动化评估
也就是说，它的实际大小保持稳定，而模型错误地估计了CT序列中的大小，从而导致对肿瘤负担的高估或低估，以及不正确的客观反应评估。该模型可以通过将所有肝脏肿瘤的体积相加来评估基线和后续扫描之间的肿瘤负荷变化，并在后续扫描上识别新的病变外观，然后将两者结合起来以提供总体治疗反应评估结果。输入基线和随访肿瘤的总体积（Sum of Volume, SOV）变化，通过映射函数（Mapping Function）：将SOV变化转化为三类治疗反应的概率：部分缓解（PR）、疾病稳定（SD）和疾病进展（PD）。
2025-03-05 20:56:08
922
原创 文献阅读p5--MultiGradICON
1)选择多通道相似性度量。2)将多通道配准任务纳入训练。3)探索基于多通道配准网络输入的单模、多通道和随机化的图像相似性损失策略来扩展uniGradICON。相似性度量：最大化图像对之间的互信息（MI）+ 局部NCC（LNCC）/ 或其平方变体以及局部MI此外还参考了 MIND通过计算图像局部邻域的自相似性来提取特征，适用于多模态图像配准。自相似性上下文MIND-SC，通过重新定义邻域布局和使用有效的量化方案来提高匹配的鲁棒性。
2025-03-05 20:54:30
765
原创 学习小结p3-未写完
矩阵分解（matrix factorization，MF）推荐系统中评分预测（rating prediction）的常用模型。假设特征的个数是d，那么所有电影的特征构成的矩阵是P，用户喜好构成的矩阵是Q。再用这两个矩阵的乘积可以还原出用户对电影的评分。由于一个用户只会对极其有限的一部分电影打分，矩阵R是非常稀疏的，绝大多数元素都是空白。因此，我们需要从R有限的元素中推测出用户的喜好P和电影的特征Q。对于双线性模型，其中一个自变量的梯度中包含另一个自变量，两者相互包含。
2024-12-13 17:46:13
255
原创 p4 文献阅读-VoxelMorph
γ = 0（最左）对应于无监督的VoxelMorph，而γ = Infinity对应于仅使用辅助标签训练的VoxelMorph，没有平滑度和图像匹配的客观项。评分通常随着γ的增加而增加。结论：平滑度不是最好的。尽管VoxelMorph的输出（变形场）已经相当准确，文章还提到了一种实例特定优化的方法，即在测试阶段对每个特定的扫描对独立地微调变形场，进一步提高配准精度。虽然为观察到的结构提供了更好的Dice分数，但使用γ = Infinity训练产生的变形场比使用γ = 0.01的训练产生的变形场更加不规则。
2024-12-13 17:44:15
856
原创 学习总结p2
对于多分类任务，通常采用柔性最大值（softmax）：其中，z是一个K维的得分向量，每一维取值代表第j类的得分一些分类任务的评价指标：ROC 曲线:TPR随FPR的变化曲线，该曲线称为受试者操作特征（receiver operating characteristic，ROC）曲线。为了定量衡量 ROC 曲线表示的模型好坏，我们通常计算 ROC 曲线与x轴和x=1直线围成的面积，称为曲线下面积（area under the curve，AUC）。模型将真实的正类和负类分得越清楚，就有越多的负类排在正类前面，A
2024-10-05 21:07:20
386
原创 第一周学习总结
均方误差（mean squared error，MSE）：均方根误差（rooted mean squared error，RMSE）：RMSE 与 MSE 非常接近，但是平方再开方的操作使得 RMSE 应当与具有相同的量纲，从直观上易于比较。我们可以简单认为，对于任意样本，模型预测的标签与真实值之间的偏差大致就等于 RMSE 的值。而 MSE 由于含有平方，其量纲和数量级相对来说不够直观，但其更容易求导。因此，我们常将 MSE 作为训练时的损失函数，而用 RMSE 作为模型的评价指标。
2024-09-19 20:23:48
835
原创 3、编写程序，对文件“天龙八部-网络版.txt“中出现的中文词语进行统计，采用jieba库分词，词语与出现次数之间用冒号：分隔，输出保存到“天龙八部-词语统计.txt“文件中。注意，不统计空格和回车字
3、编写程序，对文件"天龙八部-网络版.txt"中出现的中文词语进行统计，采用jieba库分词，词语与出现次数之间用冒号：分隔，输出保存到"天龙八部-词语统计.txt"文件中。注意，不统计空格和回车字符。存储格式如下：天龙八部：10，作者：1，金庸：1import jiebafi = open("天龙八部-网络版.txt", "r", encoding='utf-8')fo = open("天龙八部-词语统计.txt", "w", encoding='utf-8')txt = fi.read()
2022-04-10 17:28:27
2136
原创 读取文件score1034.json中的内容将其转为列表输出。 输入一个正整数n，输出列表的前n个元素。
2、读取文件score1034.json中的内容将其转为列表输出。输入一个正整数n，输出列表的前n个元素。样例输入：2样例输出：[[‘姓名’, ‘学号’, ‘C’, ‘C++’, ‘Java’, ‘Python’, ‘C#’, ‘总分’], [‘刘雨’, ‘0121701100507’, ‘20’, ‘20’, ‘20’, ‘16’, ‘20’, ‘96’]]import jsonn = eval(input())fo = open("score1034.json","r",encoding
2022-04-10 16:26:05
3345
原创 你到国外去旅游，那里的人都讲英语，虽然你的英语不怎么好，但你会编程，请编写一段程序，利用文件“dict.txt”，把英文单词译成中文，帮助与人沟通。
1、你到国外去旅游，那里的人都讲英语，虽然你的英语不怎么好，但你会编程，请编写一段程序，利用文件“dict.txt”，把英文单词译成中文，帮助与人沟通。文件dict.txt是一个英文词典，里面的内容示例如下：abandon v.抛弃,放弃abandonment n.放弃abbreviation n.缩写输入格式输入一个要查询的英语单词输出格式输出要查询的单词和其中文译文，中间用空格分隔，当查询的词不在词典中时，输出这个单词和“这个词我不明白”。样例输入abandonm
2022-04-10 11:33:40
2706
1
原创 第一行输入一个正整数N，随后的N行各输入一个人的姓名和年龄，中间用空格分隔（形如 “Tom 18“），将字符串转为形如 {“name“:“Tom“,“age“:18} 的字典，按顺序加入到列表中，得到
题目：第一行输入一个正整数N，随后的N行各输入一个人的姓名和年龄，中间用空格分隔（形如 "Tom 18"），将字符串转为形如 {"name":"Tom","age":18} 的字典，按顺序加入到列表中，得到一个元素为字典的列表，分别根据年龄和姓名对其升序排序输出。样例输入：4Tom 18Jerry 47Cat 20Doge 33 样例输出：[{'name': 'Tom', 'age': 18}, {'name': 'Cat', 'age': 20}, {'name': 'Doge',...
2022-04-03 08:44:45
9795
6
原创 在一行中输入以空格间隔的若干以字母数字字符组成的字符串（字符串之间不包含其他字符）
公共前缀
2022-04-02 20:09:12
2715
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人