深度学习：乳腺检测abnormality detection in mammography +CAM

最新推荐文章于 2024-09-05 10:37:42 发布
原创 最新推荐文章于 2024-09-05 10:37:42 发布 · 3.6k 阅读 · 18 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文探讨了一篇使用深度学习进行乳腺癌检测的论文，主要任务是二分类——钙化和肿块的检测。研究利用CBIS-DDSM数据集，通过旋转数据增扩，并使用AlexNet, VGGNET, GOOGLENET, RESNET等网络结构进行实验。重点介绍了CAM（Class Activation Mapping）技术，这是一种用于定位关键区域的方法，通过将特征图与权重相乘生成热力图，揭示模型分类决策的依据。" 109421542,10241470,Python matplotlib 折线图数据标签实现,"['Python', '数据可视化', 'matplotlib']

论文：Abnormality detection in mammography using deep convolutional Neural Networks

数据集：CBIS-DDSM （CC+MLO）*(right +left) one person ==》 (753钙化)+（891肿块）  数据增扩rotation 

任务：二分类：calcification钙化+mass肿块

定位：CAM 

网络结构：AlexNet / VGGNET/GOOGLENET/RESNET+two classification

训练流程：

中心思想：patch 训练分类器，再用whole image 去（训练+测试）

  • 1、用掩码获取patch，将两种patch送入网络训练(resize224*224) train ,input mammorgram full-size test
  • 2、经过CAM->heatmap

 

名词解释

1、CAM（Class Activation Mapping）

参考：CAM:https://blog.youkuaiyun.com/weixin_40955254/article/details/81191896

参考：凭什么相信你的模型CAM：https://www.jianshu.com/p/1d7b5c4ecb93<

最低0.47元/天 解锁文章

新学期VIP享超值加赠
work_coder
关注
【论文分享】深度异常检测综述（Deep Learning for Anomaly Detection: A Review）-上
vector的博客
07-12 3686
第一次分享论文，之前也没有任何关于深度学习或异常检测的学习背景，所以读起来非常吃力，本篇文章是对论文 Deep Learning for Anomaly Detection: A Review 的精读，基本是逐句看下来的，对不了解的地方进行了补充学习，如果你也和我一样，是深度学习或异常检测的小白，那这篇文章可能会对你有所帮助哦，一起看下去吧~ 论文简介 发表信息 论文链接：https://dl.acm.org/doi/10.1145/3439950 ACM Computing Surveys, Vo
Abnormal Detection（异常检测）和 Supervised Learning（有监督训练）在异常检测上的应用初探...
weixin_33910137的博客
05-02 4148
1. 异常检测 VS 监督学习 0x1：异常检测算法和监督学习算法的对比 总结来讲： 1. 在异常检测中，异常点是少之又少，大部分是正常样本，异常只是相对小概率事件 2. 异常点的特征表现非常不集中，即异常种类非常多，千奇百怪。直白地说：正常的情况大同小异，而异常各不相同。这种情况用有限的正例样本（异常点）给有监督模型学习就很难从中学到有效的规律 0x2：常见的有监督学习检测...
CBIS_DDSM数据下载方法---无需安装NBIA软件
m0_61789789的博客
06-20 801
在python中下载CBIS_DDSM数据，无需安装软件。
CBIS-DDSM深度学习
02-12
CBIS-DDSM深度学习
6.7.32 用于计算机辅助检测和诊断研究的精选乳房 X 线摄影数据集
qq_47896523的博客
06-11 1227
计算机辅助检测 (CADe) 和诊断 (CADx) 系统旨在协助放射科医生对乳房 X 线摄影进行解释。CADe 用于发现乳房 X 线摄影中的异常结构，而 CADx 用于确定所发现异常的重要性。当前的 CADe 系统受到高假阳性率的限制，并且乳房 X 线摄影的 CADx 系统尚未获准用于临床。尽管乳房 X 线摄影中 CAD 的技术难度很大，但还有另一个障碍必须解决才能实现这项研究：决策支持系统评估。
深度学习：乳腺x检测
weixin_41108334的博客
11-20 5597
乳腺影像学检测方法 在乳腺癌的诊疗过程中，主要有超声，钼靶，核磁共振（MRI），CT检查（月经后1-2周），病理和基因等医学手段用于辅助诊断和治疗。其中超声和钼靶主要用于乳腺癌的初筛，MRI用于治疗效果的评估，病理用于癌症的确诊以及治疗方案的评估。近年来，基因分析在肿瘤诊疗方面也得到了快速发展，主要用于遗传性乳腺癌的筛查以及个性化的精准医疗。目前我们团队完成了乳腺钼靶AI诊断产品的研发和落地，并...
matlab的egde源代码-abnormality-detection:异常检测
05-22
matlab的egde源代码MATLAB中的异常检测 这是Matlab代码，它基于Cewu Lu编写的公共代码以及后续的论文， [1]“”，陆策武，石建平，贾佳娅，在ICCV中，2013年 ### Sparse Combination稀疏组合训练系统由于缺少此部分...
Real-world Anomaly Detection in Surveillance Videos监控视频中的现实世界异常检测
AI从入门到实践的博客
09-11 3321
监控视频中的现实世界异常检测 摘要 监控视频能够捕捉到各种现实的异常现象。在本文中，我们建议通过利用正常和异常视频来学习异常。为了避免注释训练视频中的异常片段或剪辑，这是非常耗时的，我们建议利用弱标记的排名框架通过深度多实例训练视频来训练异常，即训练标签（异常或正常）是在视频级而不是剪辑级。在我们的方法中，我们将正常视频和异常视频作为包和视频片段作为多实例学习(MIL)的实例，并自动学习一个深度异常排名模型，该模型预测异常视频片段的高异常分数。此外，我们在排序损失函数中引入了稀疏性和时间平滑性约束，以更好地
异常检测经典论文：《Catching Both Gray and Black Swans: Open-set Supervised Anomaly Detection》阅读笔记-1
最新发布
gaooolianggg的专栏
09-05 1109
综合：在训练过程中，已知异常被送入head1和head3, 生成异常被送入head2和head3，正常样本被送入head1,head2,head3,head4，经过训练后，我的理解是，head1输出一个样本属于已知异常的分数，head2输出该样本为合成异常的分数，head3输出该样本为异常的分数（通过与参考样本做差得到的残差特征），head4输出该样本为合格样本的分数。这部分就有很多的类似方式了，有一系列的异常检测算法就是通过生成伪缺陷图像进行训练的，我觉得这里也可以换成其他的类似方式。
CBIS-DDSM（乳腺癌X射线图像）
12-30
CBIS-DDSM（乳腺癌X射线图像），图像有标记
DDSM数据集转换成jpeg格式的网盘，附转换.ttf .jpg .png等格式的指令
06-13
DDSM是一个开源的乳腺癌X光数据集，其中包括四类，良性恶性正常以及无需回访的良性。研究人员可以使用其训练模型，但是由于其为医学上的专业格式LJPEG导致训练无法进行，所以本人提供了转换后的jpeg格式的数据集供大家使用，同时附上了转换成其他格式的指令。
MiniDDSM
03-19
迷你DDSM Mini-DDSM（用于乳腺钼靶筛查的数字数据库）数据集
Chest_X-ray_Abnormalities_Detection：在kaggle上检测胸部X射线异常
02-26
胸部X射线异常检测（20210216〜） 所有图像都被标记为存在14个关键放射线影像。 这项比赛旨在预测班级ID，置信度得分和边界框。 香草CNN 数据分析俱乐部的个人项目 | 比赛： 参考 [1] Chest X-ray abnormalities: Baseline[TF.Keras], https://www.kaggle.com/bibhash123/chest-x-ray-abnormalities-baseline-tf-keras [2] x-ray image Enhancement test, https://www.kaggle.com/kuuuuub/x-ray-image-enhancement-test
MammographicMassClassification:将乳腺肿块分类为良性或恶性
05-12
乳房X光造影质量分类 客观的 该项目使用不同的机器学习算法（包括支持向量机，逻辑回归，决策树，朴素贝叶斯，人工神经网络等）将乳腺肿块分类为良性或恶性。 为每条曲线绘制ROC曲线，以识别问题的最佳分类算法。 问题 乳房X线照相术是当今可用的最有效的乳腺癌筛查方法。 然而，由于乳房X线照片解释导致的乳房活检的低阳性预测价值导致大约70％的不必要的活检具有良性结果。 为了减少不必要的乳房活检的数量，最近几年提出了几种计算机辅助诊断（CAD）系统，这些系统可以帮助医生决定对乳房X光检查中发现的可疑病变进行乳房活检或进行而是进行短期随访检查。 数据集 已使用UCI储存库中的“乳腺摄影质量”公共数据集。 （来源： : ）该数据集可用于根据BI-RADS属性和患者的年龄。 属性数量：6（1个目标字段：严重性，1个非预测性：BI-RADS，4个预测性属性） 属性信息： BI-RADS评估：1到5
DDSM数据处理.zip
06-04
DDSM数据库是乳腺图像数据库，由于某些原因，网上在数据格式转换程序中存在一些问题，这里为了方便大家使用，文件中程序以及使用方法做了说明，并可以产生供网络训练的xlm文件。如有疑惑，可以留言交流
老卫带你学---DDSM乳腺癌数据研究
热门推荐
老卫带你学
08-05 1万+
DDSM数据库是美国的医学机构所建立的专门存放乳腺癌图像的数据库。里面存放了cancer，normal，benign，benign_without_callback四类数据。目前很多对乳腺癌的研究都是根据该数据库进行研究。接下来本文将会针对DDSM数据库的下载，格式转化方面展开介绍。 1.下载数据 2.转换格式 为了满足不同用户的需求，老卫对其格式的转化研究了整整一周，目前已经掌握将ljpe...
医学图像领域，是时候用视觉Transformer替代CNN了吗？
阿木寺的博客
09-05 2946
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达本文转载自：集智书童Is it Time to Replace CNNs with Transformers for M...
ICCV2021 | 医学影像等小数据集的非自然图像领域能否用transformer？
CV技术指南（微信公众号）
11-21 2343
前言 医学领域的数据集具有标注样本少、图像非自然的特点，transformer已经证明了在自然图像领域下的成功，而能否应用于医学领域等少量标注样本的非自然图像领域呢？ 本文研究比较了CNN和ViTs在三种不同初始化策略下在医学图像任务中的表现，研究了自监督预训练对医学图像领域的影响，并得出了三个结论。 本文来自公众号CV技术指南的论文分享系列 关注公众号CV技术指南 ，专注于计算机视觉的技术总结、最新技术跟踪、经典论文解读。 代码：https://github.com/ChrisMat..
深度学习 网络异常检测
07-27
根据引用\[1\]中的文章，《Detection of mobile network abnormality using deep learning models on massive network measurement data》，深度异常检测方法通过神经网络学习特征表示或异常分数来进行异常检测。...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值