点影成金 - 博客园

2025年12月25日

摘要：如果你有t1的数据，在normalise这一步，你可以先将t1数据coregister到fmri空间上，然后将t1数据进行segment，注意，分割时已经将t1数据normalize了，你可以将normalize的矩阵保存出来，并将该矩阵用于fmri数据上，即可将fmri标准化如果你没有t1数据，阅读全文

posted @ 2025-12-25 09:51 点影成金阅读(19) 评论(0) 推荐(0)

AutoMask

摘要：生成group mask 需要auto mask AutoMask: 检验功能像的覆盖情况。有些被试扫的覆盖很差，它的作用就是检验，还有一个作用就是生成groupmask。存放在Masks/AutoMasks/下 For checking EPI coverage and generating gr 阅读全文

posted @ 2025-12-25 09:50 点影成金阅读(17) 评论(0) 推荐(0)

单独画一个脑区

该文被密码保护。阅读全文

posted @ 2025-12-25 09:49 点影成金阅读(0) 评论(0) 推荐(0)

2025年12月24日

调参需要调什么参数呢

摘要：调参需要调什么参数呢? 参考依据什么? 调参顺序是怎样的? 一、需要调节的主要参数（超参数） 1. 学习率（Learning Rate）作用：控制模型在每次更新权重时的步长。参考依据：太大会导致震荡不收敛，太小会训练慢、陷入局部最优。建议范围：0.1 ~ 1e-5，常用 0.001、0.01、阅读全文

posted @ 2025-12-24 10:40 点影成金阅读(17) 评论(0) 推荐(0)

添加正则项

摘要：添加正则项有利于降低网络过拟合的程度。 from keras import regularizers add(Dense(64, activation='relu', kernel_regularizer=regularizers.l1(0.01))) 参数: 正则化项分为l1正则化和l2正则化, 阅读全文

posted @ 2025-12-24 10:35 点影成金阅读(4) 评论(0) 推荐(0)

根据特征图激活情况来查找与某一特征图相关的输入图像

摘要：深度学习的效果越来越好,在一些方面甚至超过了人类水平,为了更好地理解神经网络如何识别特定模式的图像,以及为什么识别结果可以如此准确,需要从更深层次,即识别过程去了解神经网络.一旦了解了识别过程,我们就可以对神经网络做进一步的改进,另一方面也有助于人类理解机器作出决策的过程及原因,这一点在智能医疗中显阅读全文

posted @ 2025-12-24 10:34 点影成金阅读(6) 评论(0) 推荐(0)

dpabi、REST也可以改变大小和分辨率voxel size

摘要： ![image](https://img2024.cnblogs.com/blog/2140713/202512/2140713-20251224103336223-975370225.png) 阅读全文

posted @ 2025-12-24 10:33 点影成金阅读(2) 评论(0) 推荐(0)

输入维度

摘要：输入图像维度:(121, 145, 121) 下采样:(61, 73, 61) 分割成的patch大小:(30, 36, 30) 每个patch与相邻patch之间有一半距离的重叠总共得到333 = 27 个patch patch_5 利用全脑的分类效果: LSTM的分类效果: 阅读全文

posted @ 2025-12-24 10:33 点影成金阅读(3) 评论(0) 推荐(0)

利用CNN实现影像的分类

摘要：想法:利用CNN (2D,3D都可以)实现3D影像的分类,网络类型不限,也可以用经典网络. 数据:已有从ADNI(一个公共数据库)上下载的影像,为脑部影像.数量在200例左右,分为正常人和AD患者(AD:阿尔兹海默病),每个类别在100例左右. (数据为.nii格式(一种医学影像格式),可以用pyt 阅读全文

posted @ 2025-12-24 10:30 点影成金阅读(5) 评论(0) 推荐(0)

使用glob载入文件路径

摘要：载入目标文件夹下的所有指定后缀的文件 ad_path_2 = '/home/ADNI/outcome/AD/FunImgARCFW/' import glob file_list = glob.glob(ad_path_2 + '*.nii') 阅读全文

posted @ 2025-12-24 10:29 点影成金阅读(3) 评论(0) 推荐(0)

影像地图

Image Map

公告