- 博客(16)
- 收藏
- 关注
RSS订阅原创 基于深度学习的胃癌IHC图像淋巴细胞自动检测
目的：肿瘤浸润性淋巴细胞（TIL）近年来备受关注，有证据表明其与肿瘤预后有关。这些和其他类型免疫细胞的分布和定位是病理学家特别感兴趣的，并经常涉及人工检查免疫组织化学（IHC）图像。我们提出了一种基于深卷积神经网络的胃癌IHC图像淋巴细胞自动检测模型。主要贡献：本文提出了一种利用深卷积神经网络自动检测和计数IHC图像中（TIL）的方法。还描述了一种创新的方法，使用一个内置软件为训练集收集图像。这...
2019-02-19 21:06:39
2283
1
原创 有关matplotlib里的一些知识
1.np.arange函数返回值： np.arange()函数返回一个有终点和起点的固定步长的排列，如[1,2,3,4,5]，起点是1，终点是5，步长为1。参数个数情况： np.arange()函数分为一个参数，两个参数，三个参数三种情况1）一个参数时，参数值为终点，起点取默认值0，步长取默认值1。2）两个参数时，第一个参数为起点，第二个参数为终点，步长取默认值13）三个参数时，第一个参...
2019-01-26 10:27:48
202
原创 tensorflow中一些函数用法
tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)除去name参数用以指定该操作的name，与方法有关的一共五个参数：第一个参数input：指需要做卷积的输入图像，它要求是一个Tensor，具有[batch, in_height, in_width, in_channels]这样的sha...
2019-01-25 16:44:37
643
原创 基于图块的全卷积神经网络DVNet
这是一篇胃癌病理分析的文章，文章中用到了DVNet网络，之前没有听说过这个网络，在这里自己记录一下。从原图块中提取较高精度的图块，训练一个基于图块的全卷积神经网络。这里图块的提取用到的是面积阈值法，此文用到的网络架构如图：本网络有16个卷积层，3个孔洞卷积层，7个最大池化层，7个上采样层，1个Sigmoid输出层，由于它使用了空洞卷积以及类似于U-net的编码解码结构，称此基础网络为DV...
2019-01-17 20:12:16
661
1
原创 利用迁移卷积神经网络在内镜图像中自动检测早期胃癌-----论文笔记
基于深度学习胃癌检测方面的论文特别少，这篇主要是利用迁移卷积神经网络对胃癌图像进行早期判断的。在本研究中，提出了一个基于卷积神经网络的自动检测方案，以协助胃癌早期的内镜影像诊断。使用两个类别（癌症和正常）的图像数据集进行迁移学习，这些数据集具有来自少量注释图像的病变的详细纹理信息。训练网络的准确率为87.6%，灵敏度和特异性均达到了很好的平衡，这对今后的实际应用具有重要意义。我们还成功地将早期胃...
2019-01-16 19:47:51
1580
6
原创 《基于深度残差生成对抗网络的医学影像超分辨率算法》---论文笔记
本文的创新点：本文在最新的 SＲGAN 基础上，通过使用缩放卷积、去掉批量规范化层(Batch-Normalization，BN)、增加特征图数量、加深网络等对 SＲGAN 作出改进，提出了基于深度残差生成对抗网络(Deep Ｒesidual Generative Adversarial Network，DＲ-GAN)的医学影像超分辨率算法，来达到对医学影像放大 2倍后仍然保留较多的纹理和细节特征...
2019-01-14 15:54:57
5923
3
原创 决策树
决策树(Decision Tree)1.决策树学习采用的是自顶向下的递归方法。2.其基本思想是以信息熵为度量构造一棵熵值下降最快的树，到叶子节点处的熵值为零。3.此时每个叶节点中的实例都属于同一类。4.有监督学习关于决策树要了解的：决策树学习的目标：根据给定的训练数据集构建一个决策树模型，使它能够对实例进行正确的分类。决策树学习的本质：从训练集中归纳出一组分类规则，或者说是由训练数据...
2019-01-12 17:34:28
215
原创 神经网络中经典网络介绍
2014年，GoogLeNet和VGG是当年ImageNet挑战赛(ILSVRC14)的双雄，GoogLeNet获得了第一名、VGG获得了第二名，这两类模型结构的共同特点是层次更深了。VGG继承了LeNet以及AlexNet的一些框架结构，而GoogLeNet则做了更加大胆的网络结构尝试，虽然深度只有22层，但大小却比AlexNet和VGG小很多，GoogleNet参数为500万个，AlexNet...
2019-01-11 17:42:54
410
原创 磁共振T1、T2有啥区别
看到论文中有这两个参数，就查了一下。大致了解磁共振T1和T2图像的区别1、T1观察解剖结构较好。 2、T2显示组织病变较好。3、水为长T1长T2，脂肪为短T1长T2。4、长T1为黑色，短T1为白色。5、长T2为白色，短T2为黑色。6、水T1黑，T2白。7、脂肪T1白，T2灰白。8、T1对出血敏感，因血（亚急性期）T1呈白色。9、骨质、钙化、气体在T1、T2像上均为黑色。 T1加权...
2019-01-10 21:14:18
19478
原创 关于医学影像中的轴位面（横断面）、冠状面、矢状面的解释
1.冠状面，又称额状面。即从左右方向，沿人体的长轴将人体纵切为前、后两部分的切面。这种提法只是为了在临床中将器官位置描述的更具体，英文名称是：Coronal section；2.矢状面就是把人体分成左右两面的解剖面，于这个面平行的也是矢状面。出于这个位置的叫矢状位。矢状位的英文名称是：Median sagittal section；3.水平位又称横断位，即左右、前后构成的面为水平位，英文名称是...
2019-01-10 21:01:40
81915
原创 《基于深度学习的胃癌病理图像分类方法》------论文笔记
这篇论文和我看的上一篇看的关于胃癌的论文有所不同，最大的不同是他用了一种新的网络模型----AlexNet与GoogLeNet相融合的模型。概述本文将深度学习的方法应用于胃癌病理切片的识别中，经过大量的研究之后，以GoogLeNet 和 AlexNet 两种深度学习网络模型 为基础实现对胃癌的自动诊断。针对胃癌病理图像的特点，对两种模型中时间效率相对较低的GoogLeNet模型进行了优化，然后将...
2019-01-10 18:32:38
4680
23
原创 《有关GAN的了解》
一，决策函数Y=f(X)或者条件概率分布P(Y|X)监督学习的任务就是从数据中学习一个模型（也叫分类器），应用这一模型，对给定的输入X预测相应的输出Y。这个模型的一般形式为决策函数Y=f(X)或者条件概率分布P(Y|X)。1.决策函数Y=f(X)：你输入一个X，它就输出一个Y，这个Y与一个阈值比较，根据比较结果判定X属于哪个类别。例如两类（w1和w2）分类问题，如果Y大于阈值，X就属于类w1，...
2019-01-09 17:08:25
172
原创 《周围神经束三维重建的快速显微磁共振成像扫描》----论文笔记
最常见的周围神经束三维重建方法包括组织学和放射学技术。组织学技术有许多缺点，包括巨大的人工工作量和糟糕的图像配准。微磁共振成像(micro-mri)是一种新兴的放射学技术，用于报告脑、肝和肿瘤组织的结果。然而，微MRI用于获得内部结构的报道还未见报道。本研究的目的是为周围神经束的三维重建提供一种新的成像方法-T微MRI。注：组织学是研究机体微细结构及其相关功能的科学，是医学科学中剖解学的一个分支...
2019-01-09 11:12:51
683
原创 《基于物联网的肺癌预测模型的模糊聚类分割与分类》------论文笔记
**目的：**基于物联网的肺癌预测模型的模糊聚类分割与分类方法识别肺癌区域**方法：**本文提出了一种新的基于物联网(物联网)的预测模型，采用基于模糊聚类的增强和分类方法对肺癌进行连续监测预测，并通过提供医疗指导来改善健康状况。本文采用基于过渡区域提取的模糊聚类方法对图像进行有效分割。此外，采用模糊C均值聚类算法对肺癌图像的过渡区域特征进行分类。本文采用Otsu阈值法从肺癌图像中提取过渡区。此外...
2019-01-09 09:35:07
388
原创 《深度学习图像分割算法在胃癌病理性切片中的可行性分析》-----论文笔记
目的：采用基于深度学习的胃癌病理切片分割算法实现对胃癌区域的识别。方法：以U-Net网络为基本框架设计深层次的胃癌病理切片分割算法模型Deeper U-Net（DU-Net）。采用区域重叠分割法将数据分割成若干小块图片，然后利用预先训练好的DU-Net网络模型对分割的小图片进行初次分割，并使用图片分类器清楚假阳性样本，重新合成新样本。采用重复学习的方法使用新样本进行多次重复训练，将得到的结果应用...
2018-12-21 14:48:40
5175
4
翻译 经典神经网络-------AlexNet
经典网络2012年，Imagenet比赛冠军的model——Alexnet [2]（以第一作者alex命名）。caffe的model文件在（2）。说实话，这个model的意义比后面那些model都大很多，首先它证明了CNN在复杂模型下的有效性，然后GPU实现使得训练在可接受的时间范围内得到结果，确实让CNN和GPU都大火了一把，顺便推动了有监督DL的发展。AlexNet网络模型特性：使用Re...
2018-12-13 15:54:55
327
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