2019-06-16 09:40:51 weixin_42137700 阅读数 1624
  • 深度学习入门及如何转型AI领域

    深度学习入门转型视频教程,该课程主要告诉开发者如何快速入门深度学习。讲师是在机器学习,深度学习神经网络领域多年开发研究经验,精通算法原理与编程实践。曾完成过多项图像识别,目标识别,语音识别的实际项目,经验丰富。关注深度学习领域各种开源项目,如TensorFlow,Caffe,Torch等。喜欢理论与实践相结合的教学风格,课程编排由浅入深,体系清晰完整。

    2660 人正在学习 去看看 CSDN讲师

https://www.toutiao.com/a6701130271518884366/

 

医学图像处理与深度学习入门

 

利用深度学习技术,分析图像与视频,并且将之应用在诸如自动驾驶,无人机等等领域已经成为最新研究方向。在最新的一篇名为“A Neural Algorithm of Artistic Style”[1508.06576] A Neural Algorithm of Artistic Style中,作者描述了一种新的方式,从艺术作品中获得,并且应用到图像中,生成新的图像。另外,在 “Generative Adversarial Networks” [1406.2661] Generative Adversarial Networks(GAN) and “Wasserstein GAN” https://arxiv.org/pdf/1701.07875.pdf文章中,作者提出了新的模型,这些模型能够生成,类似于我们给出的原始数据。至此开启了半监督学习的新世界,并且为半监督学习铺平了道路。

然而这些研究领域仍然停留在普通图像上,然而我们的目标是将这些研究应用于医学图像,进而辅助医疗诊断。在进入主题之前,我们将从图像处理的基础开始,介绍基本的医学图像格式数据,并且将这些数据可视化。在下一篇文章中,我们将深入CNN方法,并且利用Keras(Keras Documentation),对肺癌进行预测。

 

图像处理基础(python)

当前,图像处理工具可谓层出不穷,其中,OpenCV(OpenCV library) 因为其强大的社区支持,以及广泛的可用性,在c++, java python等等编程语言中皆可使用,因此,OpenCV已经成为图像处理主流工具。在这篇文章中,我们将使用jupyter notebook与OpenCV。

安装OpenCV:

pip install opencv-python 或者直接从http://opencv.org中下载并安装。

医学图像处理与深度学习入门

 

打开jupyter notebook, 并且确认是否可以 import cv2. 接下来我们将使用到numpy 和 matplotlib。

医学图像处理与深度学习入门

 

在notebook中 ,输入以下代码检验是否可以打开并且查看图像。

医学图像处理与深度学习入门

 

 

基本脸部识别

让我们做一些有趣的事情,比如检测脸部。为了检测脸部,我们将使用最初由Rainer Lienhart创建的基于开源xml残片的20x20柔和的adaboost正面人脸检测器。这里有一个好的帖子,详细介绍哈尔级联检测Face Detection using Haar Cascades。

医学图像处理与深度学习入门

 

在http://opencv.org中,还有很多类似的例子,http://docs.opencv.org/trunk/d6/d00/tutorial_py_root.html , 读者可以多多练习。现在我们已经了解一些基本的图像处理知识,下面我们将学习如何处理医学图像。

医学图像数据格式

医学图像采用数字成像和通信(DICOM)作为存储和交换医学图像数据的标准解决方案。这个标准的第一个版本是在1985年发布的。发展到现在,该方案有了一些改变。该标准使用文件格式和通信协议。

文件格式 - 所有患者医疗图像都以DICOM文件格式保存。除了其他图像相关数据(例如用于拍摄图像的设备以及医疗处理的一些背景)之外,该格式具有关于患者的PHI(受保护的健康信息),例如姓名,性别,年龄。医学影像设备创建DICOM文件。医生使用DICOM查看器,可显示DICOM图像的计算机软件应用程序,读取和诊断图像中的发现。

通信协议 - DICOM通信协议用于搜索档案中的成像研究,并将成像研究恢复到工作站以显示。连接到医院网络的所有医疗成像应用程序都使用DICOM协议来交换信息,主要是DICOM图像,还包括患者和手术信息。还有更先进的网络命令,用于控制和跟踪治疗,调度程序,报告状态,分担医生和成像设备之间的工作量。关于DICOM标准细节,在这里推荐一个很好的博客http://dicomiseasy.blogspot.com

分析DICOM图像

用于分析DICOM图像的一个很好的python包是pydicom。在本节中,我们将看到如何在Jupyter笔记本上呈现DICOM图像。安装OpenCV使用:pip install pydicom

安装pydicom软件包后,请回到jupyter笔记本。在笔记本中,导入dicom包和其他包,如下所示。

医学图像处理与深度学习入门

 

初次之外,我们还可以用pandas,scipy, skimage,mpl_toolkit 进行数据处理和分析。

医学图像处理与深度学习入门

 

接下来,我们介绍一些可以获得DICOM 数据库,如下:

  • kaggle competitions and Datasets
  • Dicom Library
  • Osirix Datasets
  • Visible Human Datasets
  • The Zubal Phantom

从以上数据库中下载dicom文件,并且载入jupyter notebook

医学图像处理与深度学习入门

 

医学图像处理与深度学习入门

 

第一步:在jupyter 中读取DICOM文件,并可视化

医学图像处理与深度学习入门

 

上图中,第一行代码,我们导入第一个dicom文件,我们使用它作为一个reference,用来获取元数据。

医学图像处理与深度学习入门

 

然后我们计算三维NumPy数组的总和,它们等于(切片中像素行的数量)x(切片中像素列的数量)x(切片的数量)沿着x,y和z笛卡尔坐标轴。最后,我们使用PixelSpacing和SliceThickness属性来计算三个轴上的像素之间的间距。我们将数组维存储在ConstPixelDims中,并将间距存储在ConstPixelSpacing [1]中。

医学图像处理与深度学习入门

 

医学图像处理与深度学习入门

 

医学图像处理与深度学习入门

 

第二步:进一步了解DICOM 格式数据:

CT扫描的测量单位是Hounsfield单位(HU),它是放射性强度的量度。仔细校准CT扫描仪以准确测量。关于这方面的详细了解可以在这里找到。https://web.archive.org/web/20070926231241/http://www.intl.elsevierhealth.com/e-books/pdf/940.pdf

每个像素被分配一个数值(CT值),它是相应体素中所有衰减值的平均值。将这个数字与水的衰减值进行比较,并在戈弗雷·豪斯菲尔德爵士(Sir Godfrey Hounsfield)之后以胡恩斯菲尔德单位(Hounsfield units,HU)的任意单位的比例显示。

这个标度将水分配为零的衰减值(HU)。CT数字的范围是2000HU宽,尽管一些现代扫描仪的HU的范围可以达到4000.每个数字代表在光谱两端的+1000(白色)和-1000(黑色)的灰色阴影。

医学图像处理与深度学习入门

 

一些扫描仪具有圆柱扫描边界,但是输出图像是方形的。落在这些边界之外的像素的固定值为-2000。

医学图像处理与深度学习入门

 

第一步通常是将这些值设置为0.接下来,让我们回到HU单位,通过乘以重新调整斜率并添加拦截(这些拦截方便地存储在扫描的元数据中!)。

 

Acknowledgements

【1】https://pyscience.wordpress.com/2014/09/08/dicom-in-python-
【2】importing-medical-image-data-into-numpy-with-pydicom-and-vtk/
【3】http://www.osirix-viewer.com/resources/dicom-image-library/
【4】http://wearables.cc.gatech.edu/paper_of_week/viola01rapid.pdf
【5】http://adilmoujahid.com/posts/2016/06/introduction-deep-learning-python-caffe/
【6】http://dicomiseasy.blogspot.com/
【7】https://www.kaggle.com/c/data-science-bowl-2017
【8】http://docs.opencv.org/trunk/d6/d00/tutorial_py_root.html
Kaggle community for all the different scripts and support

 

作者 | william张真人william张真人 - 知乎

版权声明

本文版权归《william张真人》,转载请自行联系

2018-05-30 17:25:09 fengzhongluoleidehua 阅读数 1406
  • 深度学习入门及如何转型AI领域

    深度学习入门转型视频教程,该课程主要告诉开发者如何快速入门深度学习。讲师是在机器学习,深度学习神经网络领域多年开发研究经验,精通算法原理与编程实践。曾完成过多项图像识别,目标识别,语音识别的实际项目,经验丰富。关注深度学习领域各种开源项目,如TensorFlow,Caffe,Torch等。喜欢理论与实践相结合的教学风格,课程编排由浅入深,体系清晰完整。

    2660 人正在学习 去看看 CSDN讲师

深度学习笔记
深度学习(六十九)darknet 实现实验 Compressing Deep Neural Networks with Pruning, Trained Quantization and Huffma

深度学习(六十八)darknet使用

深度学习(六十七)metal forge深度学习库使用

深度学习(六十六)生成模型、最大化似然、KL散度

深度学习(六十五)移动端网络MobileNets

深度学习(六十四)Faster R-CNN物体检测

深度学习(六十三)空间变换网络

深度学习(六十二)SqueezeNet网络设计思想笔记

深度学习(六十一)NNPACK 移植与实验

深度学习(六十)网络压缩简单总结

深度学习(五十九)mxnet移植至android

深度学习(五十八)caffe移植至mxnet

深度学习(五十七)tensorflow andorid yolo物体检测测试

深度学习(五十六)tensorflow项目构建流程

深度学习(五十五)tensorflow分布式训练

深度学习(五十四)图片翻译WGAN实验测试

深度学习(五十三)对抗网络

深度学习(五十二)变分贝叶斯自编码器(下)

深度学习(五十一)变分贝叶斯自编码器(上)

深度学习(五十)基于条件对抗网络的图片翻译

深度学习(四十九)Tensorflow提高代码效率笔记

深度学习(四十八)InfoGAN学习笔记

深度学习(四十七)DSD正则化训练方法

深度学习(四十六)Adversarial Autoencoders

深度学习(四十五)条件对抗网络

深度学习(四十四)变分贝叶斯自编码器(上)

深度学习(四十三)条件变分自编码器概述

深度学习(四十二)word2vec词向量学习笔记

深度学习(四十一)cuda8.0+ubuntu16.04+theano、caffe、tensorflow环境搭建

深度学习(四十)caffe使用点滴记录

深度学习(三十九)可视化理解卷积神经网络(2.0)

深度学习(三十八)卷积神经网络入门学习(2.0)

深度学习(三十七)优化求解系列之(1)简单理解梯度下降

深度学习(三十六)异构计算CUDA学习笔记(1)

深度学习(三十五)异构计算GLSL学习笔记(1)

深度学习(三十四)对抗自编码网络-未完待续

深度学习(三十三)CRF as RNN语义分割-未完待续

深度学习(三十二)半监督阶梯网络学习笔记

深度学习(三十一)基于深度矩阵分解的属性表征学习

深度学习(三十)贪婪深度字典学习

深度学习(二十九)Batch Normalization 学习笔记

深度学习(二十八)基于多尺度深度网络的单幅图像深度估计

深度学习(二十七)可视化理解卷积神经网络

深度学习(二十六)Network In Network学习笔记

深度学习(二十五)基于Mutil-Scale CNN的图片语义分割、法向量估计

深度学习(二十四)矩阵分解之基于k-means的特征表达学习

深度学习(二十三)Maxout网络学习

深度学习(二十二)Dropout浅层理解与实现

深度学习(二十一)基于FCN的图像语义分割

深度学习(二十)基于Overfeat的图片分类、定位、检测

深度学习(十九)基于空间金字塔池化的卷积神经网络物体检测

深度学习(十八)基于R-CNN的物体检测

深度学习(十七)基于改进Coarse-to-fine CNN网络的人脸特征点定位

深度学习(十六)基于2-channel network的图片相似度判别

深度学习(十五)基于级联卷积神经网络的人脸特征点定位

深度学习(十四)基于CNN的性别、年龄识别

深度学习(十三)caffe之训练数据格式

深度学习(十二)从自编码到栈式自编码

深度学习(十一)RNN入门学习

深度学习(十)keras学习笔记

深度学习(九)caffe预测、特征可视化python接口调用

深度学习(八)RBM受限波尔兹曼机学习-未完待续

深度学习(七)caffe源码c++学习笔记

深度学习(六)caffe入门学习

深度学习(五)caffe环境搭建

深度学习(四)卷积神经网络入门学习

深度学习(三)theano入门学习

深度学习(二)theano环境搭建

深度学习(一)深度学习学习资料

图像处理
图像处理2

图像处理(二十三)基于调色板的图像Recoloring

图像处理(二十二)贝叶斯抠图

图像处理(二十一)基于数据驱动的人脸卡通动画生成

图像处理(十九)基于移动最小二乘的图像变形

图像处理(十四)图像分割(4)grab cut的图割实现

图像处理(十三)保刚性图像变形算法

图像处理(十二)图像融合(1)Seamless cloning泊松克隆

图像处理(十一)图像分割(3)泛函能量LevelSet、snake分割

图像处理(九)人物肖像风格转换

图像处理(十)基于特征线的图像变形-

图像处理(七)导向滤波磨皮

图像处理(六)递归双边滤波磨皮

图像处理(四)图像分割(2)测地距离Geodesic图割

图像处理(三)图像分割(1)Random Walks分割

https://blog.csdn.net/hjimce/article/details/50573444

主要阐述了一系列rcnn用到的算法以及目前发展流程,做一个综合的整理 rcnn->spp-net->fast-rcnn->faster-rcnn->yolo->ssd->R-FCN 小小搬运工,希望对大家有帮助 :)

https://blog.csdn.net/column/details/ym-alanyannick.html

2019-07-02 23:31:00 bamie2245 阅读数 76
  • 深度学习入门及如何转型AI领域

    深度学习入门转型视频教程,该课程主要告诉开发者如何快速入门深度学习。讲师是在机器学习,深度学习神经网络领域多年开发研究经验,精通算法原理与编程实践。曾完成过多项图像识别,目标识别,语音识别的实际项目,经验丰富。关注深度学习领域各种开源项目,如TensorFlow,Caffe,Torch等。喜欢理论与实践相结合的教学风格,课程编排由浅入深,体系清晰完整。

    2660 人正在学习 去看看 CSDN讲师

将深度学习技术应用于图像处理,推荐阅读《深度学习技术图像处理入门》,基于理论讲解,由浅入深地引出若干个经典案例,讲解当前深度神经网络在图像处理领域的应用。提供了基于云GPU容器(Docker)的完整在线开发环境,方便初学者直接学习核心代码。

《深度学习技术图像处理入门》以通俗易懂的语言简要讲解机器学习的核心概念,通过比较传统机器学习和深度神经网络的区别,引入深度神经网络的应用领域,将一个完整的深度神经网络的复杂结构拆成输入处理、模型元件以及模型优化三个子块,并详细说明如何将深度神经网络模型应用在移动端App制作中。

《深度学习技术图像处理入门》PDF,267页,带书签目录,文字可以复制;
源代码;作者:杨培文

下载: https://pan.baidu.com/s/1fp_SlSbUrbiJvffuptMuYA
提取码: cb43

《深度学习技术图像处理入门》从机器学习、图像处理的基本概念入手,逐步阐述深度学习图像处理技术的基本原理以及简单的实现。继而以几个实战案例来介绍如何使用深度学习方法,在数据分析竞赛中取得较高的排名。通过一个实战案例,介绍如何将模型放入 iOS 程序,制作相应的人工智能手机App。

《深度学习技术图像处理入门》适用于对深度学习有兴趣、希望入门这一领域的软件开发人员。所有案例均提供了云环境上的代码,便于复现结果,并进行深入学习。


基于理论讲解,由浅入深地引出若干个经典案例,讲解当前深度神经网络在图像处理领域的应用。同时提供了基于云GPU容器(Docker)的完整在线开发环境,方便直接学习核心代码。

《Keras图像深度学习实战》PDF,138页,带书签目录,文字可以复制。

《keras2.0中文文档》PDF,233页,带书签目录,文字可以复制。

下载: https://pan.baidu.com/s/12cMwo8i-yBneOzDF-wVvmw
提取码: g7ij


《Keras图像深度学习实战》聚焦在图像处理领域,并结合图像处理的其他函数综合运用到神经网络模型中,通过此书的学习和实战能达到熟练运用神经网络进行常规图像处理的程度。

《Keras图像深度学习实战》共分成8个章节,第1章是Keras简介和环境搭建;第2~6章整体介绍Keras的软件框架,包含卷积层,池化层,损失函数,优化器等关键部件的使用说明;第7章介绍了常用的图像预处理技术,包括高斯滤波,轮廓检测等常用操作的介绍;第8章是实战篇,介绍Keras神经网络模型中常用的图像模型的设计方法,以及应用于视频领域的入门级介绍。
《Keras图像深度学习实战》是Keras神经网络中专注于图像识别领域的专业书籍,具有较强的实战性。

 Keras文档的中文版,目前文档的版本号是2.0.4,包括keras.io的全部内容,以及更多的例子、解释和建议。
包含Keras新手指南,快速开始,网络层,数据预处理,网络配置,协助使用Keras,keras后端Backend,scikit-learn接口,深度学习与Keras等内容。

 

转载于:https://www.cnblogs.com/zhoushp/p/11121643.html

2019-02-17 16:56:24 To_be_a_Phd 阅读数 576
  • 深度学习入门及如何转型AI领域

    深度学习入门转型视频教程,该课程主要告诉开发者如何快速入门深度学习。讲师是在机器学习,深度学习神经网络领域多年开发研究经验,精通算法原理与编程实践。曾完成过多项图像识别,目标识别,语音识别的实际项目,经验丰富。关注深度学习领域各种开源项目,如TensorFlow,Caffe,Torch等。喜欢理论与实践相结合的教学风格,课程编排由浅入深,体系清晰完整。

    2660 人正在学习 去看看 CSDN讲师

图像处理的入门主要在毛星云所写的《OpenCV3编程入门》的帮助下入门的,图书的内容博客上都有,为了方便的同学可以购买图书,我也买了。博客链接在这里https://blog.csdn.net/linqianbi/article/details/79166422

深度学习的入门,一开始看的的吴恩达的machine learning教程,该教程比较适合入门来看,我的课程视频和代码文件暂时找不到了,找到后会进行补充,课程内容通过matlab和Octave实现。matlab和Octave的安装方法请自行百度。

之后就看了李飞飞的cs231n的课程视频,课程链接可以在学习教程中找到。

2019-02-22 16:12:45 weixin_39504048 阅读数 788
  • 深度学习入门及如何转型AI领域

    深度学习入门转型视频教程,该课程主要告诉开发者如何快速入门深度学习。讲师是在机器学习,深度学习神经网络领域多年开发研究经验,精通算法原理与编程实践。曾完成过多项图像识别,目标识别,语音识别的实际项目,经验丰富。关注深度学习领域各种开源项目,如TensorFlow,Caffe,Torch等。喜欢理论与实践相结合的教学风格,课程编排由浅入深,体系清晰完整。

    2660 人正在学习 去看看 CSDN讲师

个人总结知识点

1.问:为什么y=wx明明是一个矩阵,而损失函数是一个值

2,问:支持向量机SVM与逻辑回归的关系

SVM把逻辑回归的sigmoid函数换成核函数,损失函数由平均交叉熵换成了不同分类的距离间隔

3,问:深度学习与逻辑回归的区别

在计算y=wx时,将逻辑回归的函数变成几十个函数的嵌套,然后利用链式求导法则对嵌套的几十个函数进行反向求导,得出损失函数

4,问:过拟合的原因

过多的参数

5,问:深度学习中需要调的参数

正则化系数,卷积核的权值,学习率等

6,问:过拟合的解决方法

1,dropout   2,使用池化(减少了参数)  3,加入L1,L2正则化,批正则化  4,数据增强  5,迁移学习  6,多个神经网络结果平均  7,RNN时,调试阶段提前终止训练  8,对抗训练  9,稀疏编码  10,流型正切

 

书本知识点总结

1,关于权值共享的通俗解释

2,BP反向传播的自动求导的过程

3.sigmoid函数实现二分类的原理

4,逻辑回归/深度学习这些的大致工作原理和过程

5,如何根据预测y和实际y的差别更新参数w

6,L1,L2正则化的区别

书本43页 

7,opencv提取图像边缘的算法

8,1X1卷积层的作用

9,反卷积的实质

实质就是将原矩阵扩大后中间补0,然后对扩大后的矩阵做卷积。

10,学习率调整方法

11,VGG16的特征提取部分只使用了3X3的卷积核,以及2X2的池化层

12,提高检测精度的几种方法

图像处理入门教程

阅读数 30207

没有更多推荐了,返回首页