- 博客(44)
- 收藏
- 关注
RSS订阅原创 表示学习发展历程
创新点：1 - 数据增强； 2- g函数； 3- 更大的批次+更长的训练时间下面为论文中的数据增强技术：结果表明：Crop和Color最有效下图说明，1- 增加非线性层比直接用编码器增加很大；2- 非线性层比线性层增加10个点；3- 维度128就已经很好，无需更大；在SimCLR上改进，节奏很快。改进汇总如下：算法分析如下：结果一流：除了使用聚类，还增加了Crop数量消融研究算法关键点如下：1 - 一个视角进行预测另一个视角；2 - 两个视角的MSE为目标函数7 - 详细消融实验2.4 - 对比细节1 -
2026-02-19 20:42:02
93
原创 对比学习前置任务，从部分输入数据本身生成伪标签
前置任务是 “手段”，伪标签是 “结果”：设计前置任务的目的就是为了生成伪标签，伪标签是前置任务的 “标准答案”；伪标签的质量取决于前置任务的设计：如果前置任务设计得差（比如让模型学无关特征），伪标签就没有监督意义，模型也学不到有用的特征；反之，好的前置任务（比如对比学习的实例判别）能让伪标签引导模型学到通用、鲁棒的特征；前置任务是 “过渡”，不是最终目标：自监督学习的核心不是让模型做好前置任务（比如不是为了让模型一辈子判断图片是不是同一张的增强版），
2026-02-19 10:58:14
657
原创 常微分方程
常微分方程是指含有一个自变量、未知函数及其导数的方程（ODE），且未知函数仅依赖于一个独立变量（因此称为“常”微分方程，以区别于偏微分方程 PDE）。类型形式解法可分离变量分离变量 + 积分一阶线性积分因子常系数齐次线性（高阶）特征方程常系数非齐次线性待定系数 / 常数变易恰当方程势函数法刚性/复杂 ODE数值方法（RK4, BDF 等）常微分方程既是理论数学的重要分支，也是建模现实世界动态系统的基本工具。掌握其分类与解法，是学习微分方程、动力系统、控制理论等领域的基石。
2026-02-12 20:20:13
1006
原创 Mamba与Conda
Mamba 下包” = 使用 Mamba 这个高速包管理器来安装软件包。它不是指某个叫 “Mamba” 的 Python 包（虽然也有一个叫mamba的测试框架，但和这里无关），而是指用mamba命令行工具来管理依赖。如果你经常用 Conda，强烈建议换成 Mamba——更快、更稳、完全兼容！🔍 小贴士：你也可以用micromamba（更轻量的纯 C++ 版本）来进一步提速，适合 CI/CD 或 Docker 环境。附件一：为什么mamba更快。
2026-02-03 21:20:57
1015
原创 无监督配准
在深度学习应用于图像配准（尤其是医学图像）的领域中，有监督学习和无监督学习的核心区别在于训练过程中是否需要“标准答案”（Ground Truth）。有监督配准 (Supervised Registration)：需要提供“输入图像对”以及对应的“真实变换参数”或“真实形变场”作为标签进行训练。无监督配准 (Unsupervised Registration)：只需要提供“输入图像对”，不需要人工标注的标签，模型通过优化图像相似性自行学习如何对齐。
2026-01-25 15:27:52
536
原创 医学图像领域 顶刊顶会
期刊核心优势适合方向（MedIA）算法创新、深度学习、理论扎实AI+医学图像分析（偏CS/ML）（TMI）医工融合、成像技术、系统集成工程+医学+AI（偏EE/BME）这两本期刊被国内外高校普遍认定为医学影像方向的最高水平代表作，发表难度大、认可度高，是申请人才计划、评奖评优、博士毕业（尤其985/顶尖机构）的重要支撑。偏算法/模型/理论→ 投MedIA偏成像/重建/系统/多模态硬件结合→ 投TMI当然可以！在冲击MedIA或TMI。
2026-01-18 09:43:12
2423
原创 解释代码：val_pred = vxm_model.predict(val_input)--与tensor对比
代码含义对验证样本进行配准推理，得到 warp 图像和形变场输入（带 batch 维的 5D 张量）输出用途：可视化、评估、保存结果最佳实践：验证阶段用.predict()，确保输入格式与训练一致这行代码是连接“训练好的模型”和“实际应用效果”的桥梁，理解它对复现和改进 VoxelMorph 至关重要！第二部分：系统介绍一下tensor类型，从定义、特征、典型用法上与numpy类型进行对比当然可以！下面从定义、核心特征、典型用法三个维度，系统对比。
2025-12-23 21:29:47
1078
原创 复现论文Voxelmorph
只有在以下情况，才考虑放弃fit()，改用自定义训练循环（custom training loop）场景举例论文使用了非标准训练策略如 curriculum learning、对抗训练、动态 loss 权重需要精细控制梯度如梯度裁剪、冻结部分层、两阶段优化fit()无法满足数据流需求如多模态输入需复杂同步要调试中间变量如可视化形变场、监控 Jacobian 行为先用fit()跑通 baseline再逐步迁移到自定义循环任务建议理解怎么运行只需理解其输入输出契约和依赖条件。
2025-12-21 18:24:17
1060
原创 PYTHON元组解包算法
场景代码示例函数多返回值字典遍历数据处理忽略值参数展开并行赋值特性说明名称元组解包（Tuple Unpacking），但适用于所有 iterable核心价值简洁地将序列元素分配给多个变量关键符号用于解包；用于捕获剩余项；用于忽略版本支持基础解包：Python 所有版本；解包：Python 3+最佳实践用忽略不需要的值；用处理变长数据💡记住“凡是需要从一个结构中提取多个部分的地方，优先考虑解包。这是写出地道 Python 代码的重要标志。
2025-12-21 18:08:40
527
原创 PYTHON中的索引操作
维度Python 原生索引NumPy 索引设计目标通用编程、灵活性高性能数值计算抽象层次高（易用）中（需理解视图/副本）表达能力有限极强（支持向量化、掩码、多维）学习曲线低中高（需掌握高级索引规则）✅建议日常脚本、小数据、动态结构 → 用 Python 原生 list。科学计算、图像处理、机器学习、大数据 → 用 NumPy。NumPy 的索引不仅是“访问元素”，更是一种声明式的数据操作语言，极大提升了代码的简洁性与执行效率。
2025-12-20 18:12:20
1144
原创 PYTHON 迭代器1 - PEP-255
标题作者发布：2001 年（Python 2.2 引入）目的：提供一种简洁、内存高效的方式创建迭代器，避免手动实现复杂的__iter__()和__next__()方法。✅ 在 PEP-255 之前，要创建自定义迭代器，必须定义一个类并实现迭代器协议（__iter____next__），代码冗长且易错。概念说明PEP-255引入yield语法，使函数可返回惰性迭代器生成器函数包含yield的函数，调用返回 generator 对象惰性迭代器按需计算、节省内存、支持无限序列核心价值用过程式逻辑。
2025-12-17 21:40:05
976
原创 VoxelMorph库函数SpatialTransformer分析三：微分同胚
光滑可逆（存在逆映射 ( \phi^{-1} )）雅可比行列式处处 > 0（即局部体积不反转，无折叠）脑区不会交叉、器官不会穿透、组织不会撕裂。步骤作用如何保证微分同胚1. 预测速度场vel学习初始动力速度场本身无需满足拓扑约束2.VecInt积分将速度场转化为形变通过 Scaling and Squaring 实现微分同胚流的指数映射3.应用形变生成配准图像输入的flow已是微分同胚，故输出保持拓扑🌟核心洞见微分同胚性不是靠损失函数“惩罚”出来的，而是。
2025-12-13 15:29:49
862
原创 VoxelMorph库函数SpatialTransformer分析二-可微
原因说明1. 数学基础双线性/三线性插值是光滑的解析函数，几乎处处可导2. 操作原子性实现仅使用加、乘、索引、求和等可导基本操作3. 框架支持TensorFlow/PyTorch 的 Autodiff 能自动处理这些操作4. 工程实现VoxelMorph 的显式构建在可微 ops 之上💡 正是这种可微分性，使得 VoxelMorph 能在完全无监督（无需真实形变标签）的情况下，仅通过的相似性损失，端到端地训练出高质量的配准模型。这不仅是工程技巧，更是将几何变换融入深度学习范式的理论突破。M在。
2025-12-11 21:53:04
975
原创 VoxelMorph库的关键功能介绍
特性说明无监督无需昂贵的形变标注速度快GPU 上 3D 配准 < 1 秒（传统方法需分钟级）端到端可微支持联合优化拓扑保持微分同胚选项确保解剖合理性开箱即用提供预训练模型、示例脚本、Jupyter Notebook活跃社区GitHub 超 3k stars，持续更新📚 论文：如果你从事医学图像分析、计算解剖学或 AI for Healthcare，VoxelMorph 几乎是非刚性配准的首选工具库。原因说明1. 数学基础双线性/三线性插值是光滑的解析函数，几乎处处可导2. 操作原子性。
2025-12-10 00:22:43
852
原创 模型组装：new_model = tf.keras.Model(inputs=输入张量, outputs=输出张量)
问题回答是什么？构建一个新模型，输入是原始图像，输出是位移场是“函数合并”吗？不是函数合并，而是通过张量依赖关系自动组装计算流程是“图优化”吗？❌ 不是。这是高层模型构建；图优化是底层执行时的自动行为为什么需要它？因为unet本身不输出位移场，你需要一个端到端可调用的模型用于训练/推理💡 简单说：unet是“身体”，Conv2D是“手”，def_model是把它们组合成一个能干活的“机器人”。这种灵活的模型组装能力，正是 Keras（尤其是tf.keras）强大易用的核心原因之一。
2025-12-07 15:39:20
1097
原创 vxm.networks.Unet
创建了一个专为医学图像配准设计的 U-Net 网络接收一对拼接的 2D/3D 医学图像，输出一个 dense displacement field（密集形变场），用于后续图像 warp。inshape：定义图像空间尺寸（如(128, 128)：定义网络每层的卷积通道数，控制模型复杂度返回的是一个可直接用于构建完整配准模型的 Keras 子模块这是 VoxelMorph 实现快速、无监督、端到端图像配准的关键组件之一。
2025-12-06 15:19:57
622
原创 keras有什么核心功能
功能关键价值1. 模型构建快速搭建从简单到复杂的网络2. 丰富层库覆盖 CNN、RNN、Transformer 等所有主流结构3. 编译与训练自动化训练流程，减少样板代码4. 回调系统灵活控制训练过程（早停、保存、可视化）5. 数据集成与tf.data、预处理层无缝协作6. 模型管理保存、加载、部署一体化🎯Keras 的目标不是取代底层框架，而是让你专注于“模型设计”而非“工程细节”。如今，tf.keras就是 TensorFlow 的“用户界面”
2025-12-06 14:59:51
508
原创 部署性能（静态图优化）的含义
把一段 Python 代码（动态执行）转换成一张预先编译好的“计算流程图”，并在运行时以最高效的方式执行它。动态模式（Eager）：厨师一边看菜谱一边做菜（灵活但慢）静态图模式（Graph）：厨房提前把整套流程标准化、流水线化（固定但快）关键点说明核心目标让模型在生产环境中跑得更快、更稳、更省资源实现方式将动态 Python 代码 → 静态计算图 → 编译优化主要优化算子融合、常量折叠、内存复用、设备调度、XLA 编译部署优势无需 Python、支持 C++/移动端、高吞吐、低延迟开发者体验。
2025-12-06 14:48:55
566
原创 静态图（Static Graph） vs 动态执行（Eager Execution）
概念说明静态图先定义后执行，高性能但难调试（TF 1.x 风格）动态执行（Eager）立即执行，开发友好（TF 2.x 默认）在 TF 2.x 中“一键加速”，兼顾开发效率与运行性能现代趋势动态为主，静态为辅—— 让人写得爽，让机器跑得快🌟你现在用的 VoxelMorph（基于 TF 2.x）就是运行在 Eager 模式下你可以自由使用、调试 U-Net 结构，而训练时通过 Keras 或自动获得图优化性能！鱼与熊掌兼得。番茄炒蛋项目静态图（TF 1.x）动态执行（TF 2.x 默认）
2025-12-06 14:44:51
1038
原创 PYTHON-如何处理张量
张量是多维数组的数学概念名称维度示例形状Python 表示标量0D()5向量1D(3,)[1, 2, 3]矩阵2D(2, 3)张量≥3D(2, 3, 4)三维及以上数组✅ 深度学习中，“张量”常指带数据类型、形状、设备（CPU/GPU）信息的多维数组对象。问题答案Python 原生支持张量吗？❌ 不支持，需依赖第三方库主流张量库有哪些？✅ NumPy（CPU/无梯度）、TensorFlow、PyTorch（GPU/自动微分）如何选择？- 数据处理 → NumPy。
2025-12-06 12:10:29
669
原创 Voxelmorph- network报错问题
问题原因推荐解决方式VoxelMorph 旧版不兼容 TF ≥2.13 / Keras 3降级到 TF 2.12（最稳妥）💡 小贴士：VoxelMorph 是研究型工具，对框架版本敏感。使用作者测试过的 TF 版本是最省事的做法。
2025-11-30 14:41:13
544
原创 教程一、主要的 VoxelMorph 教程 解释了 VoxelMorph 和基于学习的配准
!# imports# ========== 修复 inspect.getargspec 兼容性问题 ==========args = []# ========== 安装依赖（如果尚未安装）==========# ========== 导入库 ==========print("✅ neurite 和 voxelmorph 导入成功！")# load MNIST data. 下载MNIST数据。
2025-07-30 00:42:56
709
原创 ReMIND-系列0-ReMIND2Reg: Brain Resection Multimodal Registration
(a) 对比增强T1和切除术后术中超声；(b) T2和切除术后术中超声。来自2024年7月9日的警告：病例ReMIND2Reg_0048的超声图像是空的。Zenodo上的数据集版本2.4已修正此问题。来自2024年5月29日的警告：首次发布版本中包含了FLAIR扫描而非T2扫描，请如果您下载了V1版则需要重新下载数据集。背景：手术切除是治疗大多数脑肿瘤的关键第一步，切除范围是影响患者预后的可调整主要决定因素。
2025-03-09 19:03:10
916
原创 ReMIND系列3-ReMIND2Reg dataset (2023)
发布的数据对应于癌症成像档案馆的脑切除多模式成像数据库（ReMIND）的修改（预处理）子集，该数据库以CC BY 4.0许可证发布，其中包含收集的2018年至2022年间接受图像引导肿瘤切除手术治疗的114名连续患者的术前和术内数据：https://doi.org/10.7937/3rag-d070.如上所述，将图像配对，每个患者有两个图像对，得到155个图像对用于训练，10个图像对进行验证。具体来说，我们关注的是手术前到手术后的配准这一具有挑战性的问题，这需要对大变形和组织切除进行估计。
2025-03-09 18:56:29
546
原创 微分同胚的概念
2. **偏微分方程（PDEs）**：虽然PDEs本身是一个非常复杂且深奥的领域，但对于了解如何应用微分同胚于实际问题（如流形上的动力系统或物理现象建模），掌握基本的PDE理论是必要的。1. **拓扑学**：尽管它探讨的是空间的性质，特别是那些在连续变换下不变的特性，但拓扑学的基础部分相对直观且易于形象化思考。- **TransMorph-diff** 和 **TransMorph-bspl** 是 TransMorph 模型的两个变体，它们分别通过不同的方式来确保变形场满足微分同胚条件。
2025-02-01 21:34:56
2095
原创 02-Transformer for unsupervised medical image registration 论文解析
**相似性测量**：包括均方误差（MSE）、归一化互相关（NCC）、结构相似性指数（SSIM）、互信息（MI）、局部互信息（LMI）和自相似上下文下的模态独立邻域描述符（MIND-SSC）。- **研究动机**：提出一种基于Transformer架构的新型图像配准方法——TransMorph，旨在通过利用Transformer的强大特征提取能力来提高配准精度和效率。- **贡献**：TransMorph提供了一种高效且强大的无监督医学图像配准方法，特别是在处理大规模数据集时展现出显著优势。
2025-02-01 20:17:33
525
原创 00-ReMIND: The Brain Resection Multimodal ImagingDatabase
**背景**：在神经外科手术过程中，准确的影像引导对于提高手术效果至关重要。- **研究贡献**：这是目前公开可用的最大规模的术前MRI、术中MRI及术中超声数据集合之一，特别适用于开发和验证用于脑肿瘤手术中的图像引导技术。- **应用场景**：数据库可用于训练和评估各种算法，比如图像分割、配准、图像合成（例如从MR到iUS的合成）以及不确定性估计等任务。- **目的**：创建一个公开可用的多模态影像数据库，以支持开发和测试基于机器学习的算法，如图像分割、配准、合成及可视化等。1. **数据集组成**
2025-02-01 20:16:38
568
原创 15- Double U-Net CycleGAN for 3D MR to CT image synthesis文章解析
DU-CycleGAN方法展示了其在无需3D卷积的情况下，生成高质量合成CT图像的能力，具有重要的临床应用潜力。该研究得到了多个科研基金的支持，并声明无利益冲突。所使用的数据集是公开可用的数据。
2025-01-31 22:40:51
337
原创 Transmorph:transformer for unsupervised medical image registration -- 中文翻译
您可以在这里找到预处理过的OASIS数据集、预训练的基线和TransMorph模型以及OASIS数据集的训练和推理脚本 👉 TransMorph on OASIS。有四种TransMorph变体：TransMorph、TransMorph-diff、TransMorph-bspl和TransMorph-Bayes。您可以在这里找到预处理过的IXI数据集、预训练的基线和TransMorph模型以及IXI数据集的训练和推理脚本 👉 TransMorph on IXI。根据审稿人的意见，将会有一些改动。
2025-01-31 22:07:09
1755
原创 增强T1加权成像（Contrast-enhanced T1-weighted Imaging, ceT1）和本地T2加权成像（Local T2-weighted Imaging, T2）
增强T1加权成像（Contrast-enhanced T1-weighted Imaging, ceT1）和本地T2加权成像（Local T2-weighted Imaging, T2）是两种不同的磁共振成像（MRI）技术，它们通过调整MRI扫描仪的参数来强调或减弱图像中的特定组织特性。例如，在神经影像学中，常常同时查看T1加权、T2加权以及增强T1加权图像来全面评估病变的位置、大小及性质。的对比剂，这种对比剂可以缩短某些组织（如肿瘤、炎症区域等）的T1弛豫时间，从而在T1加权图像上这些区域会显得更亮。
2025-01-30 20:55:28
920
原创 SYN进行3D医学图像配准的代码解析
这段代码的核心目的是为了执行图像配准任务，并保存配准结果中的变形场。它利用了 PyTorch 的 `DataLoader` 来高效地加载数据，使用 ANTsPy 库来进行图像配准，最后将结果保存为 NIfTI 文件。这种工作流程常见于医学图像处理和分析领域，特别是涉及到图像对齐或变形场计算的任务。
2025-01-25 16:57:51
688
原创 Pytorch运算：squeeze()向量降维
如果输入是形如(A×1×B×1×C×1×D)(𝐴×1×𝐵×1×𝐶×1×𝐷)，那么输出形状就为： (A×B×C×D)(𝐴×𝐵×𝐶×𝐷)注意，上面代码可以变换书写形式：x.squeeze(), x.squeeze(0), x.squeeze(1);注意： 返回张量与输入张量共享内存，所以改变其中一个的内容会改变另一个。例如，输入形状为: (A×1×B)(𝐴×1×𝐵),，形状会变成 (A×B)(𝐴×𝐵)。将会保持张量不变，只有用。
2025-01-24 01:08:03
286
原创 `val_set` 和 `val_loader` 均包含imgs，有何区别？
让我们来详细解释一下为什么即使 `val_set` 和 `val_loader` 都有类似的属性，仍然需要使用 `val_loader`。- **属性 `imgs`**：尽管 `val_loader` 可能也有一个名为 `imgs` 的属性，但这通常不是标准的 `DataLoader` 行为。- **定义**：`val_loader` 是一个继承自 `DataLoader` 的实例，它不仅封装了数据集，还提供了额外的功能，如批量处理、打乱顺序、多线程加载等。### 数据加载器 (`val_loader`)
2025-01-21 07:53:26
442
原创 GITHUB中申请并使用SSH秘钥
第一步：安装用于实现SSH2协议的python库。第四步：将本地仓库推送到GITHUB。第五步：查看GITHUB仓库状态。第二步：生产SSH秘钥。
2024-12-28 10:40:34
209
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