2. 程式人生 > >深度學習：乳腺論文 end2end patch->whole image

深度學習：乳腺論文 end2end patch->whole image

阿新 • • 發佈：2018-11-29

論文：end to end training for whole image breast cancer screening using an all convolutional design 

資料集：CBIS-DDSM （CC+MLO）*(right +left) one person ==》 (753鈣化)+（891腫塊）  資料增擴 

   patch set 

  •  s1: 1 ROI +1背景  in the same image 
  • s10：ROI overlapping raito of 0.9,  10 patch and 10 background  in the same image 

                    

任務：patch訓練 （5類：背景，鈣化良性，鈣化惡性，腫塊良性，腫塊惡性）

           二分類：正常（0-2），異常（4-6） （3不參與分類）

定位：CAM 

網路結構： Vggnet /Resnet+two classification

一、訓練流程：

中心思想：patch 訓練分類器，再用whole image 去（訓練+測試）

1、預訓練 ImageNet

2、patch train :用掩碼獲取patch，將五種patch送入網路訓練(resize224*224) train 5分類 (instance label) 

3、image train : 三種方法： (image label)

  • 將 patch classifier 訓練的 fc 層去掉，top layer +conv->2分類
  • 加入heatmap +fc -->2分類
  • 加入heatmap+random forest classifer  -->2分類


 

相關推薦

深度學習：乳腺論文 end2end patch->whole image

論文：end to end training for whole image breast cancer screening using an all convolutional design  資料集：CBIS-DDSM （CC+MLO）*(right +left) one pers

深度學習：乳腺論文Deep Multi-instance Networks with Sparse Label Assignment for Whole Mammogram

參考論文解析：https://blog.csdn.net/Coralccccc/article/details/73956702 論文翻譯：https://blog.csdn.net/u014264373/article/details/79581655 標題：Deep Multi-inst

深度學習：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個分類 0-6  dataset：InBreast&nb

深度學習：乳腺檢測abnormality detection in mammography +CAM

論文：Abnormality detection in mammography using deep convolutional Neural Networks 資料集：CBIS-DDSM （CC+MLO）*(right +left) one person ==》 (753鈣化)+（891腫塊）

深度學習：論文self-trainsfer learning for weakly supervised lesion localization

self-training learning: 自我訓練學習 weakly supervised ：弱監督學習 主要關注三種弱監督型別： 第一種是不完全監督，即只有訓練資料集的一個（通常很小的）子集有標籤，其它資料則沒有標籤。 第二種是不確切監督，即只有粗粒度的標籤。又以影象

Joint Deep Learning For Pedestrian Detection（論文筆記-深度學習：行人檢測）

      一、摘要：       行人檢測主要分為四部分：特徵提取、形變處理、遮擋處理和分類。現存方法都是四個部分獨立進行，本文聯合深度學習將四個部分結合在一起，最大化其能力。       二、引言

《深度學習：原理與應用實踐》中文版PDF

應用 href 書籍 nag tex 原理 圖片 water images 下載：https://pan.baidu.com/s/1YljEeog_D0_RUHjV6hxGQg 《深度學習：原理與應用實踐》中文版PDF，帶目錄和書簽； 經典書籍，講解詳細； 如圖： 《深度學

機器學習（三） 深度學習的經典論文、程式碼、部落格文章

前言     總結了Deep Learning應用相關的經典論文、程式碼、部落格文章之類，包括CNN、RCNN、DQN、RNN等，github上看到。 原文地址：https://github.com/kristjankorjus/applied-deep-l

深度學習神經網路論文們可能會誤導人的地方

可好可差的特點，強調它作為優點時候的特性。比如手機重，就說有質感；輕了，就說輕盈不累手。再比如引數量少了，強調這樣可以避免過擬合，並且不用調整太多的引數，訓練會變快；引數量大了，就強調這個模型引數足夠多，也就有強大的能力來提取資料集中的特徵，萬能逼近，超引數多了說人可以掌控模型。讓人誤以為

深度學習：YOLO系列

一、YOLO v1 (CVPR2016, oral) (You Only Look Once: Unified, Real-Time Object Detection) 可參考文章：https://zhuanlan.zhihu.com/p/27029015 Faster R-CNN的方法目前

深度學習：keras學習

Keras TensorFlow教程 ：如何從零開發一個複雜深度學習模型：https://segmentfault.com/a/1190000012645225 keras概念解釋：http://www.zhiding.cn/techwalker/documents/J9UpWRDfV

深度學習：zero-shot-learning(四)_DAEZSL_2017

參考： https://www.leiphone.com/news/201810/STIq4kDL6mbIKUmH.html 論文地址：https://arxiv.org/pdf/1711.06167.pdf   問題：對映域遷移 (projection domain sh

深度學習：卷積，反池化，反捲積，卷積可解釋性，CAM ,G_CAM

憑什麼相信你，我的CNN模型？（篇一：CAM和Grad-CAM)：https://www.jianshu.com/p/1d7b5c4ecb93 憑什麼相信你，我的CNN模型？（篇二：萬金油LIME)：http://bindog.github.io/blog/2018/02/11/model-ex

深度學習：卷積神經網路，卷積，啟用函式，池化

卷積神經網路——輸入層、卷積層、啟用函式、池化層、全連線層 https://blog.csdn.net/yjl9122/article/details/70198357?utm_source=blogxgwz3 一、卷積層 特徵提取 輸入影象是32*32*3，3是它的深度（即R

深度學習：多示例多標記學習DeepMIML

https://blog.csdn.net/m0_38034312/article/details/77995412 DeepMIML：https://blog.csdn.net/w5688414/article/details/78990301 多示例多標記的出現：真實的物件並不具有唯一的

分享《深入淺出深度學習：原理剖析與python實踐》PDF+源代碼

img color fff png aid pdf ffffff pytho 下載 下載：https://pan.baidu.com/s/1H4N0W5sPOE7YlK0KyC7TZQ 更多資料分享：http://blog.51cto.com/3215120 《深入淺出深度

深度學習：用於multinoulli輸出分佈的softmax單元

首先說明Bernoulli分佈對應sigmoid單元，Multinoulli分佈對應softmax單元。瞭解multinoulli分佈請看：機器學習：Multinoulli分佈與多項式分佈。 softmax函式可以看作sigmoid函式的擴充套件，其中sigmoid函式用來表示二值型變數的分

21個專案玩轉深度學習：基於TensorFlow的實踐詳解03—打造自己的影象識別模型

書籍原始碼：https://github.com/hzy46/Deep-Learning-21-Examples CNN的發展已經很多了，ImageNet引發的一系列方法，LeNet，GoogLeNet，VGGNet，ResNet每個方法都有很多版本的衍生，tensorflow中帶有封裝好各方法和網路的函式

分享《21個項目玩轉深度學習：基於TensorFlow的實踐詳解》PDF+源代碼

更多 技術分享 書籍 詳解 http alt ges text process 下載：https://pan.baidu.com/s/19GwZ9X2E20L3BykhoxhjTg 更多資料：http://blog.51cto.com/3215120 《21個項目玩轉深度學

深度學習：深度信念網路（DBN）結構和訓練過程

深度信念網路在處理維數比較多的資料時，可以起到壓縮資料維度的作用。其經典結構為： DBN由多個RBM堆疊而成，訓練過程由預訓練和微調構成 深度信念網路訓練步驟： （1）預訓練：分別單獨無監督的訓練每一層RBM網路，確保特徵向量對映到不同特徵空間，都儘可能的保留特徵資訊；它通過一個非監督