- 博客(299)
- 资源 (4)
- 收藏
- 关注
RSS订阅原创 基于深度学习的胸部 X 光图像肺炎分类系统（六）
定义：模型正确预测的样本数占总样本数的比例解读左上子图中，蓝色线（训练准确率）最终稳定在 0.9 以上，说明模型在训练集上判断正确的比例超过 90%橙色线（验证准确率）也接近 0.9，说明模型在新数据上的泛化能力不错两条线的差距不大，说明模型没有明显过拟合准确率：给模型打个 “总体分”，看大概靠不靠谱；损失：看模型 “学习过程” 和 “预测细腻度”，指导训练；精确率：盯着 “别冤枉好人”（少误诊）；召回率：盯着 “别放过坏人”（少漏诊）。
2025-07-26 08:28:59
294
原创 基于深度学习的胸部 X 光图像肺炎分类系统（五）
原始训练集目录原始验证集目录找到原始数据中存放训练集和验证集的文件夹（比如和你可以把ResNet50想象成一个 “已经学过很多图片的学霸”，它通过大量图片训练后，记住了很多通用的看图规律（比如如何识别边缘、颜色、纹理等基础特征）。“权重文件” 就是这个学霸的 “笔记”，里面记录了它学到的所有规律（以数字形式存储）。我们直接用这份笔记，就不用让模型从零开始学看图了，能省很多时间和精力。权重文件在网上的地址（就像一个下载链接）下载后存在电脑上的位置（models文件夹里）
2025-07-25 22:13:23
542
原创 批改作业小工具（一）-read report
先请个助手（docx）帮忙读 Word扫描仪（）把每个实验报告的 5 部分内容分别装进 5 个盒子播音员（）把盒子里的内容按顺序念出来不管文档里有多少个实验报告，程序都会一个一个处理，最后整整齐齐地展示在屏幕上，不用你手动去复制粘贴了～跨单元格文本处理原理。
2025-07-25 13:57:47
553
原创 基于深度学习的胸部 X 光图像肺炎分类系统（二）
不是固定公式：没有 “必须 21 层” 的规定，就像盖房子，3 层能住，5 层也能住，看需求。经验为主：人们发现处理这类 X 光片（中等复杂度的图片），用 4 个卷积块（16 层）+ 简单分类器（5 层）比较合适：少于 10 层：可能 “看不透” 细节（比如小的肺炎阴影抓不到）。多于 30 层：电脑要算很久，还可能 “想太多”（把正常的纹理当成肺炎特征）。试出来的：程序员可能一开始试了 10 层，发现效果不好（漏诊多）；又试了 30 层，发现太慢还容易错；最后调到 21 层，效果和效率比较平衡。
2025-07-24 17:41:48
454
原创 基于深度学习的胸部 X 光图像肺炎分类系统（一）
这段代码是一个用于胸部 X 光图像肺炎分类的深度学习项目。这两行代码就是在 “数数量”：→ 数清楚 “正常” 的片子有多少张；→ 数清楚 “肺炎” 的片子有多少张。最后用print显示出来，就能直观看到两类片子的数量是否平衡啦～将 X 中的 X 光片从正方形重塑为长条形以适配处理工具这句话的作用是把所有 X 光片从 “正方形” 变成 “长条形”，方便后面的工具处理。把所有图片从二维的方块”展开成一维的 “长条”，目的是适配后面的处理工具，就像把衣服叠成特定形状才能放进收纳盒一样。
2025-07-24 13:45:04
501
原创 应用monai进行医学图像的弹性变形的demo
运行后会弹出一个窗口显示两张图，你能清楚看到原图和扭曲变形后的区别，同时文件夹里会多一个叫 "elastic_deformation_result.png" 的图片文件。mnoai 我用的1.2.0的版本，对比代码和效果，明显比opencv变形搞得更好。这段代码的作用很简单：就是把一张医学图像（DICOM 格式）做一些扭曲变形，然后展示原图和变形后的图。简单说就是：读入医学图像→按工具要求调整格式→设置变形程度→执行变形→看效果。
2025-07-23 09:39:56
194
原创 增加交叉验证和超参数调优
假设你用一份训练集训练模型，然后用同一批数据测试，准确率 90%—— 这能说明模型好吗？不能！因为模型可能 “死记硬背” 了训练数据（过拟合），换一批新数据就不行了。所以需要用 “没见过的数据” 来验证模型 —— 但我们只有一份训练集，怎么办？超参数是训练前手动设定的参数，不是模型自己学出来的。比如代码中的：lr（学习率）：模型更新参数的 “步长”，太大可能跑过头，太小可能学太慢。batch_size（批大小）：每次训练用多少数据，影响训练速度和稳定性。momentum。
2025-07-22 22:55:21
938
原创 torchvision.transforms 与 MONAI 数据增强的异同
如果你处理的是自然图像或通用CV任务足够轻量、高效，且与 PyTorch 生态无缝兼容；如果你处理的是医学影像（尤其是 3D 数据或多模态数据），MONAI 的数据增强更贴合场景需求，能更好地应对医学数据的特殊性，同时保持与 PyTorch 的兼容性（可与操作混合使用）。简单来说：是 “通用工具”，MONAI 是 “医学专用工具”，两者在基础增强上重叠，但 MONAI 针对医学场景做了深度优化。
2025-07-22 21:22:42
940
原创 医学影像弹性形变处理
这段代码的主要流程是：读取 DICOM 医学影像，尝试使用 MONAI 进行弹性形变（根据版本适配），如果失败则使用 OpenCV 实现，最后可视化并保存处理结果。这样可以在不同环境下灵活处理医学影像的弹性形变需求。后面会写一篇解释弹性变形方法的短文。
2025-07-22 20:40:52
568
原创 将处理后的图像保存为 DICOM
复用原始 DICOM的大部分信息，只替换图像数据和唯一标识，最后生成一个符合标准的新 DICOM文件"。这样保存的文件既能被医学影像软件识别，又包含了我们处理后的图像内容。复制 DICOM 文件格式信息：确保新文件能正常打开# 关键修复：设置字节序和VR编码方式else:# 手动创建文件元数据并设置默认传输语法ds.file_meta.TransferSyntaxUID = ImplicitVRLittleEndian # 默认小端隐式VR。
2025-07-22 16:05:15
698
原创 给CT图像添加“条纹噪声”
这个函数就像给图像加了一层有规律的 "条纹滤镜"，可以控制条纹是横的还是竖的、条纹多宽、间隔多远、以及条纹有多明显，最终让图像出现类似信号干扰的条纹效果。
2025-07-22 14:22:01
345
原创 CT 图像呼吸运动伪影模拟：原理与实现
在医学影像领域，呼吸运动伪影是 CT/MRI 成像中常见的干扰因素，会导致图像模糊、边界不清，影响诊断准确性。本文将用通俗的语言解释呼吸运动伪影的产生逻辑，并提供可直接运行的 Python 模拟代码，帮助理解这一现象。
2025-07-22 14:00:19
791
原创 通过代码理解伪影模拟的原理
这段代码就是把原始图像的每一行，按照规定的幅度平移后，再写到一张新的白纸上，平移后空出来的地方用黑色填满，这样就做出了 "模糊拖影" 的效果。
2025-07-22 13:55:42
340
原创 基于 Python 的 CT 图像处理-伪影模拟
先看运行效果： 完整代码如下：总体说明这段代码是用于处理 CT 图像的 Python 程序，主要功能是加载 CT 的 DICOM 文件，对图像进行处理（添加呼吸运动模糊和条纹噪声等伪影），并通过交互式界面调整窗宽窗位来观察图像效果。以下是对代码的说明：import pydicom import numpy as np import matplotlib.pyplot as plt from matplotlib.widgets import Slider import os from pydico
2025-07-22 13:45:19
744
1
原创 PyTorch 实现 CIFAR-10 图像分类：从数据预处理到模型训练与评估
CIFAR-10 数据集包含 10 个类别，每个类别对应一个索引（0-9）。数据准备：加载并预处理 CIFAR-10 数据集。模型设计：构建卷积神经网络。模型训练：通过优化器调整参数，最小化损失函数。模型评估：在测试集上验证模型准确率。结果可视化：展示模型预测效果。学习率 (lr)：影响训练速度和稳定性。批次大小 (batch_size)：较大的批次可能加速训练，但需要更多内存。网络层数：增加卷积层或全连接层可能提高准确率。训练轮次 (epochs)
2025-07-21 22:00:06
1002
原创 使用 PyTorch 的 torchvision 库加载 CIFAR-10 数据集
)：将多个预处理操作按顺序组合。将 PIL 图像或 NumPy 数组（H×W×C，范围 0-255）转换为 PyTorch 张量（C×H×W，范围 0.0-0）。。这里和将像素值从[0.0, 1.0]映射到（例如，0.0→-1.0，1.0→1.0）。
2025-07-21 12:03:10
1091
原创 CT影像肺部ROI分割
这个目前还有点问题 没有很好的进行ROI分割提取肺部，而是单独把整个ct 做个肺部提取了， 正常应该提取左 右肺部2个分割，这个后面找时间再优化补充一下，这里先把已经搞的记录一下，我想 无非是先预处理一下图像 再提取？或者不用opencv 而用其他的lib 进行提取操作？或者参数有问题？ 完整代码如下： 运行结果如图： 作用：导入必要的库并设置中文字体显示关键点：：用于读取DICOM格式的医疗影像：处理图像数据：图像处理和计算机视觉功能：图像可视化：形态学操作字体设置确保中文标签正常显
2025-07-21 06:37:28
817
原创 使用 PyDicom 调整 CT 影像窗宽窗位
更新图像更新直方图上的标记线更新文本标注窗位窗宽强制刷新画布确保事件实时处理当滑动条值变化时，这个函数会被调用根据新的窗宽窗位重新处理图像并更新显示同时更新直方图上的标记线和文本标注位置触发画布重绘确保界面实时响应。
2025-07-20 14:01:06
817
原创 DICOM 医学影像文件的读取、处理与可视化的例子
医学影像（如 CT、MRI 等）通常是由多个二维切片（slice）按一定顺序堆叠而成的三维结构。
2025-07-20 08:02:44
401
原创 用逻辑回归（Logistic Regression）处理鸢尾花（iris）数据集
数据准备：加载数据、划分训练集 / 测试集。特征工程：标准化特征，避免量纲影响。模型训练：用逻辑回归学习分类规则。模型评估：用准确率、混淆矩阵等指标衡量性能。预测应用：对新样本进行分类。鸢尾花数据集是机器学习的 “Hello World”，适合入门。逻辑回归是简单但强大的分类算法，尤其适合特征与类别之间存在线性关系的场景。
2025-07-19 20:40:22
623
原创 用 Numpy 手动实现矩阵卷积运算
卷积神经网络（CNN）的核心是卷积运算，但很多人对其原理一知半解。今天我用 Numpy 手动实现一个简单的矩阵卷积，带你直观理解 CNN 的核心操作！
2025-07-19 16:58:40
368
原创 从随机数值到特征检测器的学习与更新
这正是权值共享的意义——同一个特征检测器（卷积核）应用于整个输入空间，并且它的学习基于所有位置上的综合反馈。在遍历整个数据集多次（称为 epoch）的过程中，网络持续接收反馈（损失），并根据反馈不断调整所有卷积核的数值。这个计算利用了链式法则，并考虑了卷积操作的具体数学形式以及权值共享的特性（梯度是共享核在所有位置贡献的汇总）。初始值是随机的，网络通过不断试错和调整，逐渐让卷积核学会提取对最终任务（如分类）有用的特征。学习率控制了移动的幅度，梯度的大小决定了移动的幅度（误差贡献大的权重更新幅度大）。
2025-07-19 16:41:41
910
原创 神经网络：从模式组合到多层神经网络的进化
神经网络的 “深度” 指的是隐藏层的数量。层数越多，网络能提取的特征越复杂，识别能力越强。就像人看图片时，会先看线条（简单特征），再看形状（复杂特征），最后判断整体内容 —— 多层神经网络就是用这种 “分层思考” 的方式，让 AI 学会识别复杂图案。
2025-07-19 11:13:24
223
原创 从单个神经元到数字识别神经网络的演变
这张图把 “加权求和 + Sigmoid” 包装成了一个叫 “神经元” 的单元，多个神经元组队就成了神经网络。本质上，它是用数学公式模拟 “人类判断事物” 的过程 —— 先看局部特征（加权求和），再综合判断（Sigmoid 归一化），最后多个判断一起投票（神经网络）。而数字识别网络就是用这种方式，让 AI 学会 “看图片认数字”。
2025-07-19 10:38:00
338
原创 心电图时间序列的 ARMA 模型分析与预测
数据加载与预处理：处理多通道 ECG 数据，确保长度一致。可视化：展示原始心电图波形。平稳性检验：使用 ADF 检验确认数据是否适合 ARMA 模型。模型构建：通过 ACF/PACF 图确定阶数，拟合 ARMA 模型。预测与评估：使用 MSE 评估模型性能，可视化预测结果。残差分析：验证模型是否充分提取信息。通过这个流程，可以对心电图信号进行建模和短期预测，用于心率异常检测或信号滤波等应用。
2025-07-16 08:54:57
1011
原创 时间序列挖掘及建模
我们挖掘它的目的，就是从历史数据中找规律，用来预测未来 —— 比如根据过去的销售数据预测下个月的销量，根据历史交通流量规划明天的出行路线。ARIMA (p,d,q) 中的 “d” 就是差分阶数 —— 比如 d=1，就是对序列做 1 阶差分（用当前值减前一个值），直到序列平稳。拿到一条时间序列，不能直接建模，得先做预处理，核心是判断它是否平稳 —— 因为很多模型（比如 ARMA）只适用于平稳序列。而 ARMA (p,q) 模型，就是同时考虑自回归和移动平均，p 是 AR 的阶数，q 是 MA 的阶数。
2025-07-15 19:47:20
749
原创 原来时间序列挖掘这么简单
看数据的 “脾气”（趋势、季节、随机）；分清楚是哪类序列（平稳 / 非平稳）；平稳的用 ARMA，非平稳的先差分再用 ARIMA；用 Python 工具快速实现，搞定预测！
2025-07-15 19:42:48
873
原创 Apriori 原理：快速筛选频繁出现的症状组合
先明确一个前提：什么是 “频繁项集”？比如医生想找 “经常一起出现的症状”，假设我们规定 “至少在 2 个病人身上出现才算频繁”（这就是 “最小支持度”）。
2025-07-15 18:29:52
300
原创 关联规则挖掘：从概念到算法实践
首先，我们得明确什么是 “关联”。关联反映的是数据集中项目之间的相互依赖关系，比如 “购买面包的顾客同时购买牛奶” 就是一种关联。而关联规则挖掘，就是从数据中发现这种 “频繁出现的模式”，并形成类似 “如果 A，那么 B”（A→B）的规则。Apriori 算法是基础，通过先验原理剪枝；FP-growth 算法更高效，用 FP-tree 压缩数据；Eclat 算法则从垂直角度处理数据。实际应用中，大家可以根据数据量和维度选择合适的算法，而 mlxtend 库能帮我们快速实现这些算法。
2025-07-15 16:29:40
675
原创 从病人数据中找出感冒的关键症状组合
如果病人同时有 “发烧 + 咳嗽”，那么有 100% 的概率是感冒；如果病人同时有 “咳嗽 + 嗓子痛”，那么有 100% 的概率是感冒。先找经常一起出现的项目”（频繁项集），再从里面挑 “靠谱的如果…那么…”（强关联规则）。
2025-07-15 16:23:56
869
原创 K-means 聚类在肺炎患者分型中的应用（简单示例）
细菌性肺炎：中高热、白细胞高、咳嗽中等时间病毒性肺炎：高热、白细胞正常、咳嗽时间短支原体肺炎：低热、白细胞略高、咳嗽时间长这里定义了三种肺炎的典型特征特征 1：体温（℃）特征 2：白细胞计数（×10⁹/L）特征 3：咳嗽持续天数这些中心值基于医学常识：细菌性肺炎常伴随白细胞升高，病毒性肺炎多为高热，支原体肺炎咳嗽时间较长。
2025-07-15 15:42:32
666
原创 聚类分析的概念
聚类是一种让数据 “自动抱团” 的技术。它不需要你提前告诉电脑 “谁和谁是一伙的”（这叫 “无监督学习”），电脑会自己观察数据的特点，把长得像的分到一组。类比：就像老师带一群陌生的学生，不用提前安排，让学生们自己找 “合得来” 的人站成几队 —— 最后会形成几个小团体，这就是 “簇”。算法像什么适合场景缺点K-means选组长分小组圆形团体、大数据形状奇怪的分不好DBSCAN按扎堆程度分组任意形状、有噪声数据太稀疏时不灵GMM算概率分团体复杂形状、需要概率计算有点慢。
2025-07-15 15:20:47
890
原创 医疗数据分析中标准化的作用
标准化是为了消除特征本身 “数值大小” 的干扰，让每个特征在聚类时都能 “平等说话”，这样 DBSCAN 才能更准确地找到真正相似的患者群体（亚型），而不是被某个特征的 “大数值” 带偏。
2025-07-15 15:18:15
435
原创 BSCAN 在糖尿病患者数据聚类分析中的应用
这段代码实现了使用 DBSCAN 算法对糖尿病患者数据进行聚类分析，以识别不同的患者亚型和异常病例。
2025-07-15 14:55:56
827
原创 Python 数据挖掘综述
数据挖掘是从大量、不完全、有噪声的数据中，提取隐含的、潜在有用的信息和知识的过程。它融合了统计学、机器学习、数据库技术等多学科知识，核心目标是解决 “数据爆炸但知识贫乏” 的问题。数据：原始记录（如用户消费金额、商品 ID）；信息：结构化处理后的数据（如 “20-30 岁用户月均消费 500 元”）；知识：提炼出的规律（如 “20-30 岁用户更倾向购买品类 A”）。
2025-07-15 14:27:14
899
accp6认证标准等
2014-08-21
hibernate4+spring4+springmvc+ehcache+自己写的cache系统
2018-06-10
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人