九叶草

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