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

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<

深度学习在网络异常检测中被广泛应用。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。近年来,深度异常检测方法在解决各种现实应用中的挑战性检测问题方面表现出比常规异常检测更好的性能,这一点在引用\[2\]中也有提到。这些方法系统地审查了当前的深度异常检测方法及其解决挑战的能力。传统的网络异常检测模型、基于深度学习的异常检测方法以及SDN(软件定义网络)检测方法都被介绍并讨论了其优缺点。因此,基于深度学习的异常检测模型在网络异常检测中具有很大的潜力。 #### 引用[.reference_title] - *1* *3* [基于深度学习的移动网络异常检测](https://blog.youkuaiyun.com/zuiyishihefang/article/details/121484509)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control,239^v3^insert_chatgpt"}} ] [.reference_item] - *2* [深度学习 检测异常_深度学习用于异常检测:全面调查](https://blog.youkuaiyun.com/weixin_26632369/article/details/108175048)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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