05 2022 档案
摘要：想看一下对于一个训练好的模型，其每一层编码阶段的可视化输出是什么样子的。我以3Dircabd肝脏血管分割为例，训练好了一个U-Net模型。然后使用该模型在推理阶段使用，并可视化了每一层编码器。 分割结果： 可视化分为两个展示，分别是有原图和没有原图作为背景的。 无背景 encoder第一层 enco
阅读全文
摘要：对抗生成网络主要由生成网络和判别网络构成，GAN在图像领域使用较多。利用生成网络生成假的图像，然后利用判别器是否能判断该图像是假的。 1、用于医学图像分割，一般我们可以利用一个U-Net网络生成分割结果，但是结果或许分割的不是很好。我们这时候就可以利用GAN的优势。通过将分割的结果放入GAN网络中进
阅读全文
摘要：#coding:utf-8 import SimpleITK as sitk import numpy as np import cv2 # 膨胀 def dilateion(image): kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5,
阅读全文
摘要：过拟合原因： 1. 训练集的数量级和模型的复杂度不匹配。训练集的数量级要小于模型的复杂度；（模型太复杂，参数就会太大，然而你的数据量又很小） 2. 训练集和测试集特征分布不一致；（用分类猫的训练集，去拟合分类狗的） 3. 样本里的噪音数据干扰过大，大到模型过分记住了噪音特征，反而忽略了真实的输入输出
阅读全文
摘要：cv2.morphologyEx(image, cv2.MORPH_GRADIENT, SE)可以参考这篇博客cv2.MORPH_GRADIENT：形态学梯度(morph-grad)，可以突出团块(blob)的边缘， 保留物体的边缘轮廓。 #coding:utf-8 import SimpleITK
阅读全文
摘要：cv2.getStructuringElement(cv2.MORPH_RECT, (7,7))介绍，请看这个博客。我简要说一下cv2.getStructuringElement，可用于构造一个特定大小和形状的结构元素，用于图像形态学处理。其中 MORPH_RECT 就是构造一个全1方形矩阵。代码如
阅读全文
摘要：《Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift》 1、Batch Normalization 并不能缓解深度网络梯度爆炸问题，反而是梯度爆炸的原因。一般通多跳跃
阅读全文
摘要：试着展示了肝脏每层卷积之后的结果。代码如下： import torch import torch.nn as nn import SimpleITK as sitk import numpy as np def change_indenty(ct): ct[ct < 40] = 40 ct[ct >
阅读全文
摘要：我们可以利用train.csv文件信息， 再结合给定的文件路径（path）信息，可以将给定字目录下的图片名信息整合到scv文件当中。 train.csv文件格式： 图片名信息： 代码如下: from glob import glob import pandas as pd import os def
阅读全文
摘要：# coding:utf-8from glob import globimport osimport SimpleITK as sitkfrom pathlib import Pathimport numpy as npimport imageioimport pandas as pd def rl
阅读全文
摘要：# coding: utf-8 #主要将子文件下大量图片进行路径编号，并保存到csv文件当中。方便直接从文件读取图片路径以及其他图片信息。 #我做的是图像分割，所以存在三类分割区域：["large_bowel", "small_bowel", "stomach"]。 #文件路径：train\case
阅读全文
摘要：为了便于直观的看到2D标签，通常会将其转化为png图像，具体代码如下： # coding:utf-8 from glob import glob import os import SimpleITK as sitk from pathlib import Path import numpy as n
阅读全文
摘要：具体代码 ，请看的的github if __name__ == "__main__": df = pd.read_csv(r'D:/compation/kaggle/train.csv/train.csv') # 路径文件 list_images = glob(r'D:\\compation\\ka
阅读全文
