- 博客(12)
- 收藏
- 关注
RSS订阅原创 处理dicom视频（将json视频标签转为单帧图像yolo标签）
由于我是使用pair进行标注，得到的目标检测框的标注格式是json文件，一个视频有200张左右的图像组成，所有的图片标注 即这个视频 的所有标签都存在同一个json文件里，我需要将这些标签都转为单张图片的yolo格式，所以要将图像和标签都统一一下命名格式。1.首先， 使用JSON文件中的 Width (800) 和 Height (600) 作为基准，计算出标准的、归一化到0-1之间的YOLO坐标。dicom的坐标跟体坐标有个换算关系，转换后的xyz都要除以spacing！
2025-12-01 11:01:10
401
原创 nnUNet训练自己的二维RGB数据集全过程#全网最详细！
在模型训练的每一步，数据加载器 (data loader) 都会从这个文件夹中读取对应的真实标签，并将其与模型的预测结果进行比较，然后计算损失函数 (loss)，并反向传播更新模型的权重。5.关于数据维度：nnU-Net 的设计哲学就是自动适应您的数据特性，包括数据的维度。当您运行 nnUNetv2_plan_and_preprocess 时，框架会自动分析您的数据集并发现它是2D的，发现图像是2D的（只有X和Y维度，Z维度为1或者本身就是2D图像格式），然后会自动生成适用于2D数据的配置和计划。
2025-10-21 13:51:13
1279
原创 结构化数值型特征数据分类模型
③由于报告里的特征非常多，经过我导师还有超声科医生专业的筛选和数据清洗，最终选出11个数值型特征，用这11个数值型特征做一个二分类模型（二尖瓣重度关闭不全和二尖瓣中度关闭不全）。目前初步的构想是把这11个数值型特征，转化为一个一维向量，对向量进行分类；数据不多（本来挺多的，清洗完满足要求的就不多了），是不是更应该考虑机器学习呢？提取的数据特征如下：①初步提取结果，就是直接从报告中提取文字字母符号等。②进一步提取特征，将属性归类:分为12个数值型特征，29个描述型特征。我应该怎么处理这些数据呢？
2025-07-18 17:21:46
249
原创 提取心脏超声报告中的文本特征
本文介绍了基于超声心动图报告的瓣膜病分类模型构建方法。研究采用二尖瓣中重度关闭不全患者的超声报告数据，包含定量数值型特征（心脏测值）和非结构化文本特征（1-7描述型特征）。针对文本特征的复杂表述和大模型处理优势，研究提出使用NLP技术提取e列等混合特征。数据预处理包括：1)用search_and_copy_rpt.py提取患者报告；2)通过test_ocr.py从图片中提取心脏测值；3)使用data_matcher.py整合定量和定性数据。该方法能有效处理医疗文本的歧义和变体，支持临床决策。
2025-06-30 17:26:20
260
原创 学透FGVC项目（用于心脏超声图像训练37分类模型）
①首先用testpicture.py测试一下，先检测每张图片，因为医院数据有时候导出来的图片会存在问题，有可能读不出来；这段代码的主要功能是遍历指定文件夹及其子文件夹中的所有文件，检查文件名中是否包含中文字符，如果包含则删除该文件；以及打印出打不开的图像的路径。一般情况下，训练模型划分比例是8：2，如果是复核的话就是5:5,一半用于训练，一般用于预测；训练一次后再反过来，刚刚用于预测的拿来训练，拿来训练的用于预测。⑤get infer dataset是生成测试用的csv文件，和all.py的作用差不多。
2025-06-14 17:09:11
227
原创 学透MANIQA项目评分模型！（我用于评估心脏超声影像）
这段代码是一个完整的图像质量评估（IQA）模型训练和验证的流程，主要基于MANIQA模型（一种基于Transformer的IQA模型）①先用testpicture.py 和 deletesame.py对数据进行清洗；再用all.py对数据集进行划分。③再用 getinferdataset.py 生成预测数据集的csv文件。④然后使用inference.py对数据集进行预测评分，：将每个类别的图像按8:2比例随机划分为训练集和测试集。：数据集统计信息（类别名称、ID、数量分布）数据集在datasets下。
2025-06-10 11:29:35
220
原创 心脏超声图像五分类模型
all.py这个python文件创建了几个CSV文件：datasets_info.csv、train.csv和test.csv。然后跑main.py, 不知道为啥一直报错，一直说pretrained的参数有问题，我试过改成null，或者~都是报错。先把数据集划分好，然后去改yaml配置文件里的参数，比如数据集路径，batchsize，由于这次的数据集是五分类的，所以我将命名为从0到4.：记录每个视图类别的总图像数、训练集和测试集数量。：分别存储训练集和测试集的图像路径及其标签。如图所示，有五种类别。
2025-04-04 22:03:55
438
原创 小白学Transformer模型#最全总结！
Transformer是基于编码器-解码器的架构来处理序列对，Transformer 的编码器和解码器是基于自注意力的模块叠加而成的，源（source，输入）序列和目标（target，输出）序列的嵌入（embedding）表示通过加上位置编码（positional encoding）加入位置信息，再分别输入到编码器和解码器中。， 两种注意力一起作用，使得进入动物眼中图像信息被过滤了、更好的选择性的去噪了，也就是信息被更好的压缩了， 有了这两种注意力，就能够极大的压缩信息，不需要在RNN的状态传递。
2025-01-08 17:08:09
973
原创 用Maniqa模型训练心脏超声图像
该模型旨在根据人类的主观感知来评估图像的感知质量，特别是在处理基于生成对抗网络（GAN）生成的失真图像时，能够提供准确的质量评分。- 应用场景：MANIQA 广泛适用于图像处理、视觉检测和人工智能领域的诸多场景，如图像压缩、去噪或增强算法的效果评估，以及生成对抗网络（GANs）训练后的结果质量判断。左图是我的代码文件和配置文件，右图为我的数据集，类型都是二尖瓣水平短轴切面，由于maniqa是评分模型，所以还需要评分的分数作为标签。对图像进行预处理，删除相同图像、有问题图像。Maniqa模型架构如上图所示。
2025-01-08 14:15:36
940
原创 2.Python深度学习
5.将参数沿着梯度的反方向移动一小步，比如 w= learning_rate * gradient，从而使得这批数据上的损失值减小一些。（mini-batch stochastic gradient descent 简称小批量SGD）3.计算模型在这批数据上的损失值，用于衡量y_pred和y_true之间的差距。2.在x上运行模型，得到预测值y_pred，这一步叫作前向传播。1.抽取训练样本x和对应目标y_true组成的一个数据批量。4.计算损失相对于模型参数的梯度。是指每批数据都是随机抽取的。
2025-01-02 15:35:11
387
原创 1.Python深度学习
计算机有效工作的常用方法是：由人类程序员编写规则，计算机遵循这些规则将输入数据转换为适当的答案。但机器学习是把这个过程反过来：机器读取输入数据和相应的答案，然后找出应有的规则，机器学习系统是训练出来的。通过以下两步来寻找决策边界：1.将数据映射到新的高维表示；2.尽量让超平面与每个类别最近的数据点之间的距离最大化，从而计算出良好的决策边界.：将损失值作为反馈信号，来对权重值进行微调，以降低当前示例对应的损失值。：首先构建许多专门的决策树，然后将它们的输出集成在一起。：手动为数据设计良好的表示层。
2024-12-27 12:58:44
277
1
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