- 博客(14)
- 收藏
- 关注
RSS订阅原创 在服务器上用自己的二维/三维数据集(.png/.nrrd等)跑nnUNetv2
摘要：本文详细介绍了nnUNet框架的环境配置与使用流程。主要内容包括：1)通过conda创建环境并安装PyTorch等依赖；2)数据集准备步骤，包括目录创建、数据转换和预处理；3)训练配置和命令执行方法；4)测试预测和结果输出操作。文中还提供了数据集转换脚本的修改示例和各类路径设置说明，并简要提及了集成学习和后处理的扩展功能。该指南适用于医学图像分割任务，强调需根据实际路径和数据特点调整相关参数。
2025-07-01 14:33:12
1049
3
原创 【论文阅读】Domain-Rectifying Adapter for Cross-Domain Few-Shot Segmentation 详细解读
CVPR2024，主要提出了一种适用于跨域少样本语义分割（Cross-Domain Few-Shot Segmentation, CD-FSS）的领域修正适配器方法。
2024-10-14 11:22:35
1668
2
原创 【论文阅读】PCNet: Prior Category Network for CT Universal Segmentation Model 详细解读
题目：PCNet: Prior Category Network for CT Universal Segmentation Model期刊：TMI日期：2024先验类别网络 PCNet和基于 CLIP 的类别提示先验类别网络 (PCNet)，通过利用不同类别解剖结构之间的先验知识来提高分割性能可以处理各种医疗分割任务的单一模型（包括不同的分割目标，如器官、血管和骨骼）PCNet由三部分组成：先验类别提示 (PCP)、层次类别系统 (HCS)、层次类别损失 (HCLCLIP。
2024-09-25 20:37:19
1208
1
原创 【动手学深度学习】视频课程笔记与重点总结 19-29，卷积神经网络大全
本文讲解卷积神经网络中的基础概念知识，如填充、步幅、池化、通道等等，同时介绍了多种不同的卷积神经网络，如VGG、ResNet等
2024-08-20 12:41:28
1183
原创 【李沐 动手学深度学习】视频课程笔记与重点总结 01-18，从线性回归到pytorch代码
本文介绍了：线性回归、多层感知机、pytorch代码等等。其中包含有梯度下降、激活函数、dropout、正则化、pytorch模型构建与参数管理的部分。
2024-08-15 15:18:24
1366
原创 【新手小白】在Linux服务器或本地IDE，跑深度学习代码指南（不断更新）
本文主要介绍：当我们拿到一个代码后，如何将它运行包含有：基本的linux、conda命令、如何远程连接服务器、使用vscode或pycharm的教程......
2023-07-15 21:18:59
7093
1
原创 UNet - 实现模型的训练与预测 - 入门1
本篇文章，是讲如何在服务器上跑 unet 模型，正文中会放许多跳转链接，都是有一定参考价值的。
2023-07-09 20:47:21
3111
4
原创 影像组学 - Kmeans分类器 - 入门2
在上一篇文章中，主要介绍了组学和pyradiomics的大致概念以及实现了一个最简单的代码（用pyradiomics进行组学特征提取并输出结果）。接下来这篇，我们主要讲，如何在之前的基础上使用分类器训练模型，实现图像分类。
2023-07-08 19:09:33
1251
原创 如何租服务器，在上面跑代码 - xshell（超详细）
假设你的笔记本电脑不足以跑起来某代码，或者速度很慢。这时，就可以选择在服务器上跑代码。这里举一个实现的例子：你想在AutoDL上租一个服务器，然后用xshell进行连接，再用fz进行文件（数据）传输，最终在服务器上跑起来代码。
2023-07-08 12:48:20
5689
原创 影像组学 - pyradiomics库 - 入门1
通过影像组学的分析，可以从医学影像中挖掘潜在的生物学特征、疾病的影像标志物，并且可以为个体化治疗和疾病管理提供更多信息。它的目标是通过提取和分析医学影像中的大量图像特征，以揭示潜在的生物学特征、疾病信息和治疗预测。可以选择感兴趣的区域进行分割，然后提取各种数学、几何和统计特征。建模和分析：利用选定的特征进行建模和分析，可以使用机器学习、统计学方法等来构建预测模型，发现生物学模式、进行疾病诊断、预后评估等。结果解释和应用：根据特征分析的结果，解释特征与疾病之间的关系，为临床决策、治疗规划和疾病管理提供支持。
2023-07-06 21:52:17
10564
1
原创 经典的机器学习算法 - 极简版
先给每个类别赋予初始值，每增加一个新数据，都将其归为和其距离最近的类别中，全部分好类后，计算每一类的平均值，作为新的数据比较值，如此往复。在全部数据中，随机挑选几组数据，变为几组决策树，对一个数据分别进行预测，最终投票看哪个类别多，定为其类别。输入 x ，预测 y ，寻找 k 和 b 的值（权重和偏置），下一次输入时，可直接预测出结果。形状像二叉树，每个节点代表一次判断，yes 或 no ，从根节点开始，一直到最小的子叶。概率均为已知的，只求 p(类别 | 特征) ，即 通过特征判断类别，特征之间不相关。
2023-07-05 16:12:47
201
原创 SKLearn实现SVM，使用medical-mnist数据集
上一章，我们讲了，其中使用的数据集是sklearn中自带的mnist数据集。现在，我们要在上一个代码的基础上，将数据集更换为medical-mnist，并且进行分类与预测。
2023-07-04 13:38:21
1448
原创 SVM手写数字识别 - SKLearn实现SVM - MNIST数据集
较小的gamma值意味着高斯核具有较大的范围，而较大的gamma值使得高斯核具有较小的范围。PCA的目标：新坐标系上数据的方差越大越好（最大方差理论：信号具有较大的方差，噪声具有较小的方差） PCA是无监督的学习方法，在sklearn中，直接使用skleran.decomposition即可。模块提供了一些常用的模型选择和评估工具，如交叉验证、网格搜索、评估指标等，可以用来选择最优的模型和调整模型参数，以及评估模型的性能。在这个例子中，训练集的大小为原始数据集的30%。在这个例子中，有2个特征是有意义的。
2023-07-03 17:37:03
6209
2
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