脑肿瘤检测脑核磁共振成像
Brain MRI Images for Brain Tumor Detection_datasets.txt
2021-12-13 23:00:52
309B
1
焦斑肝和肝肿瘤分割
在该项目中，级联的U-net体系结构用于分割肝脏和肝脏肿瘤。 这是一项正在进行的工作，此回购中介绍了基本网络。
要求
[pytorch]（ ）
[opencv]（ ）
数据集
数据集来自LITS挑战（ ）
2021-12-13 15:35:21
18KB
1
matlab图像分割肿瘤代码深度学习神经影像
一般深度学习
教科书
深度学习书（Yoshua
Bengio）
评论论文
2013表征学习：回顾与新观点（Yushua
Bengio）
2014神经影像深度学习：一项验证研究
2015
Nature深度学习（Yann
LeCun，Yoshua
Bengio，Geoffrey
Hinton）
2015年神经网络中的深度学习：概述（J.Schmidhuber）
2016了解深度卷积网络
2016年医学影像深度学习：令人兴奋的新技术概述和未来前景
2016.07深度学习与神经科学的融合
网络模型
2012使用深度卷积神经网络进行ImageNet分类（A.Krizhevsky等人.Hinton）
2015全卷积网络的语义分割（J.Long等人）
2014非常深的卷积网络，用于大规模图像识别（K.
Simonyan和A.
Zisserman）
2014可视化和理解卷积网络（M.
Zeiler和R.
Fergus）
2015快速R-CNN（R.Girshick）
2015通过卷积深化（C.
Szegedy等人，Google）
2016用于图像识别的深度
2021-12-09 15:58:32
6KB
1
Breast_Cancer_Classification
利用逻辑回归和神经网络模型基于数字化活检图像将乳腺癌肿瘤分类为恶性或良性
2021-12-05 15:49:54
582KB
1
简要介绍了光声成像技术的基本原理，采集系统和成像算法。重点阐述了光声成像技术在肿瘤的早期检测和疗效监测，脑成像和脑功能监测以及临床血管监测等生物医学领域的应用。对光声成像技术应用前景进行了展望。
2021-12-04 14:03:38
1.75MB
1
结论：通过比较，逻辑斯蒂模型比随机梯度下降模型在测试集上表现有更高的准确性，因为逻辑斯蒂采用解析的方式精确计算模型参数，而随机梯度下降采用估计值
特点分析：逻辑斯蒂对参数的计算采用精确解析的方法，计算时间长但是模型性能高，随机梯度下降采用随机梯度上升算法估计模型参数，计算时间短但产出的模型性能略低，一般而言，对于训练数据规模在10万量级以上的数据，考虑到时间的耗用，推荐使用随机梯度算法
2021-12-04 11:02:20
19KB
1
master(2)_深度学习_UNet_unet分割_脑肿瘤分割_深度学习Unet_源码.zip
2021-11-30 16:42:05
10KB