深度学习:乳腺 BI-RADS classification ,co-registration ,DoG
paper:BI-RADS Classification of breast cancer:A New pre-processing pineline for deep model training
- BI-RADS:7个分类 0-6
- dataset:InBreast
- pre-trained:Alexnet
- data augmentation :base on co-registraion is suggested,multi-scale enhancement based on difference of Gaussians outperforms using by mirroing the image
input:original image or pyramid of scales or DoG
augmentation :no data augmentation or proposed method
imbalance:original proportion原始部分 or undersampling下采样
1、流程:
2、图像扩增 n->n*(n-1)
3、DoG 一通道变成三通道
4、mean basolute error 平均绝对误差
5、实验结果
balance :yes or no :original proportion原始部分 or undersampling下采样
名词解释
一、图片金字塔 pyramid of scales image
图像resize
其实非常好理解,如上图所示,我们将一层层的图像比喻为金字塔,层级越高,则图像尺寸越小,分辨率越低。
两种类型的金字塔:
- 高斯金字塔:用于下采样,主要的图像金字塔;
- 拉普拉斯金字塔:用于重建图像,也就是预测残差(我的理解是,因为小图像放大,必须插入一些像素值,那这些像素值是什么才合适呢,那就得进行根据周围像素进行预测),对图像进行最大程度的还原。比如一幅小图像重建为一幅大图像,
图像金字塔有两个高频出现的名词:上采样和下采样。现在说说他们俩。
- 上采样:就是图片放大(所谓上嘛,就是变大),使用PryUp函数
- 下采样:就是图片缩小(所谓下嘛,就是变小),使用PryDown函数
下采样将步骤:
- 对图像进行高斯内核卷积
- 将所有偶数行和列去除
下采样就是图像压缩,会丢失图像信息。
上采样步骤:
- 将图像在每个方向放大为原来的两倍,新增的行和列用0填充;
- 使用先前同样的内核(乘以4)与放大后的图像卷积,获得新增像素的近似值。
上、下采样都存在一个严重的问题,那就是图像变模糊了,因为缩放的过程中发生了信息丢失的问题。要解决这个问题,就得看拉普拉斯金字塔了。
二、co-registration:影像融合
DoG:Difference of Gaussian 角点检测
灰度图像增强和角点检测的方法,其做法较简单,证明较复杂,具体讲解如下:
Difference of Gaussian(DOG)是高斯函数的差分。可以通过将图像与高斯函数进行卷积得到一幅图像的低通滤波结果,即去噪过程,这里的Gaussian和高斯低通滤波器的高斯一样,是一个函数,即为正态分布函数。
那么difference of Gaussian 即高斯函数差分是两幅高斯图像的差,
一维表示:
二维表示:
具体到图像处理来讲,就是将两幅图像在不同参数下的高斯滤波结果相减,得到DoG图。
1. 处理一幅图像在不同参数下的DoG
A = Process(Im, 0.3, 0.4, x); B = Process(Im, 0.6, 0.7, x); a = getExtrema(A, B, C, thresh);
其中,
function [ out_img ] = Process( img, sig1, sig2, size )
是求图像DoG的结果,两个高斯平滑参数分别为sig1和sig2,结果如下:
A = Process(Im, 0.3, 0.4, x);
- B = Process(Im, 0.6, 0.7, x);
- C = Process(Im, 0.7, 0.8, x);
2. 根据DOG求角点
Theory:DOG三维图中的最大值和最小值点是角点
X标记当前像素点,绿色的圈标记邻接像素点,用这个方式,最多检测26个像素点。X被标记为特征点,如果它是所有邻接像素点的最大值或最小值点。
因此在上一步计算出的A,B,C三个DOG图中求图B中是极值的点,并标记(max:1;min:-1)
- a = getExtrema(A, B, C, thresh);
- figure;
- imshow(a, [-1 1]);
结果:
黑色为极小值,白色为极大值
最后在原图上予以显示:
就得到了一幅图的DOG角点检测结果。
三、mean basolute error 平均绝对误差
1、显著性目标检测简介
显著性目标(Salient Object):
当我们在看一张图片时,注意力首先会落在我们所感兴趣的物体部分。比如我们看到一张画有羊吃草的图像时,我们一般会先注意草坪上的羊,而不是羊的背景,所以我们把该图中的羊就定义为图像的显著性目标。
显著性目标检测(Salient Object Detection):
即让计算机学会跟人类一样,自动检测并提取输入图像中的显著性目标。
评价指标(Evaluation Metrics):
显著性目标检测算法常用的评价指标有:平均绝对误差(Mean Absolute Error, MAE),PR曲线(Precision-Recall curves)以及F度量值(F-measure)。
这些度量指标我会依次介绍并编程实现,在本篇博客中,主角是平均绝对误差(Mean Absolute Error, MAE)。
2、Mean Absolute Error(MAE) 原理
MAE就是直接计算模型输出的显著性图谱与Ground-truth 之间的平均绝对误差,首先将两者进行二值化,然后用下面的公式进行计算 [1]。
深度学习:乳腺 BI-RADS classification ,co-registration ,DoG相关推荐
- 基于深度学习的图像分类Image classification with deep learning常用模型
本文中,我会根据下大家image classification常用的cnn模型,针对cifar10(for 物体识别),mnist(for 字符识别)& ImageNet(for 物体识别)做 ...
- matlab“机器学习和深度学习”系列工具箱作用总结
这是MATLAB r2019a的"机器学习和深度学习"工具箱 1,Classification Learner工具箱 打开之后的界面,主要用于分类 具体用法见: MATLAB自带分 ...
- 【配准】2020年“基于深度学习的医学影像配准”期刊论文速览(PR,TMI,MIA)
针对基于深度学习的医学影像配准,检索了最新的(2020年)期刊论文,包含PR.TMI.MIA3个期刊,下面是浏览论文中的一些记录. 其中有两篇论文提供了代码. 一.PR Deep morphologi ...
- 深度学习 情感分析_使用深度学习进行情感分析
深度学习 情感分析 介绍 (Introduction) The growth of the internet due to social networks such as Facebook, Twit ...
- R使用LSTM模型构建深度学习文本分类模型(Quora Insincere Questions Classification)
R使用LSTM模型构建深度学习文本分类模型(Quora Insincere Questions Classification) Long Short Term 网络-- 一般就叫做 LSTM --是一 ...
- 3.深度学习练习:Planar data classification with one hidden layer
本文节选自吴恩达老师<深度学习专项课程>编程作业,在此表示感谢. 课程链接:https://www.deeplearning.ai/deep-learning-specialization ...
- 深度学习——损失函数(Regression Loss、Classification Loss)
简介 Loss function 损失函数 用于定义单个训练样本与真实值之间的误差 Cost function 代价函数 用于定义单个批次/整个训练集样本与真实值之间的误差 Objective fun ...
- 论文笔记 | 基于深度学习的乳腺转移瘤识别(Deep Learning for Identifying Metastatic Breast Cancer)
论文阅读笔记:原文链接 摘要 生物医学图像国际研讨会(International Symposium on Biomedical Imaging,ISBI)举办了一个在前哨淋巴节点全幻灯图中自动检测转 ...
- [2022-09-20]神经网络与深度学习第2章-simple classification
contents classification 写在开头 Logistic 回归 数据集构建 DatasetGenerator类 数据生成和可视化 模型构建 损失函数 模型优化 评价指标 完善Runn ...
- 综述:基于深度学习的文本分类 --《Deep Learning Based Text Classification: A Comprehensive Review》总结(一)
文章目录 综述:基于深度学习的文本分类 <Deep Learning Based Text Classification: A Comprehensive Review>论文总结(一) 总 ...
最新文章
- vue响应式给数组中的对象添加新属性
- 《如何高效学习》作者推荐!
- 解决 PermGen space Tomcat内存设置
- ListView 空值时的友好提示
- Python基础语法06--文件
- Go 读取 yaml 文件并解析
- linux系列服务总结之四:SAMBA共享设置完整介绍
- 使用url参数传递SAP Analytics Cloud filter的一个例子
- windows上安装mysql5.7.24
- 推荐一个在线创作流程图、思维导图软件—ProcessOn
- Mysql设置忽略大小写
- 系统备份是对计算机硬件进行维户吗,计算机系统维护毕业论文_精品.doc
- mysql删除记录后id不连续_Mysql数据库中使用DELETE语句时,一般删除一条记录后ID会不连续,才能让序号继续按顺序排列?...
- java 设置文本颜色_设置文本中的字体的颜色
- Python库glob作用分析
- ROS2——南溪的ROS2使用手册
- java在数组里面添加_java – 如何在数组中间添加?
- 二进制编码转ASCII字符与字符转二进制码的小解码器、编码器
- SSM_config配置springmvc.xml模板
- 分布式与微服务☞web组件kafka