基于深度学习的医学图像-小知识记录【学习记录】

基于深度学习的医学图像-小知识记录【学习记录】

1. X-ray观察骨骼更清晰，CT反应出血和组织，MRI观察软组织
2. 医学图像的像素值范围与自然图像（0~255）有很大差别
3. 卷积的目的：卷积在图像中的目的就是为了提取特征，我认为这就是深度学习的核心，因为有了卷积层，才避免了我们来手动提取图像的特征，让卷积层自动提取图像的高维度且有效的特征，虽然这没有手动提取特征比如Canny边缘，SIFT，HOG等的强大数学理论基础的支撑，但是卷积层提取的特征让最终的分类、识别结果往往非常的好。比如LeNet-5模型能在MNIST数据集上达到99%的识别率，一般来说网络结构越复杂，越深，往往最终的精确率会越高。
4. 池化操作的过程和卷积很类似，但是卷积是用来提取特征的，池化层是用来减少卷积层提取的特征的个数的，可以理解为是为了增加特征的鲁棒性或者是降维。一般有“最大池化”和“平均池化”
5. 线性回归和softmax回归都是单层神经网络。线性回归输出是一个连续值，因此适用于回归问题。回归问题在实际中很常见，如预测房屋价格、气温、销售额等连续值的问题。与回归问题不同，分类问题中模型的最终输出是一个离散值。我们所说的图像分类、垃圾邮件识别、疾病检测等输出为离散值的问题都属于分类问题的范畴。softmax回归则适用于分类问题。线性回归模型适用于输出为连续值的情景。模型输出可以是一个像图像类别这样的离散值。对于这样的离散值预测问题，我们可以使用诸如softmax回归在内的分类模型。和线性回归不同，softmax回归的输出单元从一个变成了多个，且引入了softmax运算使输出更适合离散值的预测和训练。
6. 开个头，后面整理好后，再写。最近在看沐神的课，这里种草一下，讲的太好了，看进去了，真的可以学到上瘾…