医学图像处理综述

引言

医学图像处理的对象是各种不同成像机理的医学影像,临床广泛使用的医学成像种类主要有X-射线成像 (X-CT)、核磁共振成像(MRI)、核医学成像(NMI)和超声波成像(UI)四类。在目前的影像医疗诊断中,主要是通过观察一组二维切片图象去发现病变体,这往往需要借助医生的经验来判定。利用计算机图象处理技术对二维切片图象进行分析和处理,实现对人体器官、软组织和病变体的分割提取、三维重建和三维显示,可以辅助医生对病变体及其它感兴趣的区域进行定性甚至 定量的分析,从而大大提高医疗诊断的准确性和可靠性;在医疗教学、手术规划、手术仿真及各种医学研究中也能起重要的辅助作用。目前,医学图像处理主要集中表现[……]

继续阅读

《机器学习》公式数学推导补充

深入掌握机器学习的两大核心包括:数学推导与编码实现。机器学习原理大多都是由数学支撑,基本的机器学习数学公式推导对于深入掌握机器学习十分重要;另一方面,通过在不调用算法库的前提下,通过基础编码实现机器学习算法,深入理解算法细节,进一步提高算法实现的代码能力。其中,《机器学习》教材中,推导细节没有详述,比较难理解的公式需要加以解析,以及对部分公式补充跳过的解题步骤。包括 ——

绪论

  1. 公式1.2:二分类按均匀分布对误差求和运算解析

模型评估

  1. 公式2.20:AUC估算运算解析
  2. 公式2.21:排序损失运算解析
  3. 公式2.27:二次校验结论置信度勘误与运算推导
  4. [……]

    继续阅读

清华大学发布《智慧人才发展报告》

人才是国家科技创新经济发展的首要驱动力,是在当今日趋严峻的国际竞争中取得优势的核心要素。习近平总书记在座谈会上指出 『得人者兴,失人者崩』,现在国家、城市乃至公司的竞争,归根结底是人才的竞争,人才越来越成为推动经济社会发展的战略性资源。近日,清华大学 — 中国工程院知识智能联合研究中心隆重发布《智慧人才发展报告》。

该报告经过大数据挖掘找出我国人才发展的痛点,运用知识图谱技术,通过案例研究法,说明智慧人才生态平台对人才队伍建设的积极促进作用,成为该报告的一大看点。将大数据、云计算、人工智能等智能化技术融入到人才大数据挖掘和管理任务中,该报告打造一套智慧人才管理体系和人才生态平台,为提升人[……]

继续阅读

自制树莓派复古街机开源教程

来自 Combient Mix 的数据科学家 Max Fischer 开始了一个从头开始构建全尺寸街机的项目,这台街机的核心计算设备就是树莓派。近日,Max 将街机创建的全过程写成文档,并发布在 GitHub 上。该项目详细介绍了搭建全尺寸街机的所有步骤,包括预先设计好的 CAD 文件(可免费下载)、组装机身的方法、运行街机程序的树莓派设置方法等。每一步教程都有具体的照片可以参考,当然,除了树莓派,你还需要一个设备齐全的工具间。项目包括两个主要部分:街机机身搭建、内部电子器件设置与连接。

GitHub地址项目 GitHub 地址[……]

继续阅读

CenterNet 原理与代码解析

CenterNet 源码解析_GiantPandaCV》是首发于 GiantPandaCV 公众号的电子书教程,由 pprp 总结并整理 CenterNet 相关解析,这本电子书是基于非官方的 CenterNet 实现,这个版本的实现入门难度小一些。基于官方版本进行修改,要比官方代码更适合阅读和理解,Data Loader、hourglass、训练流程等原版中比较复杂的部分都进行了重写,最终要比官方的速度更快。

GitHub地址项目 GitHub 地址[……]

继续阅读

MIT 数据分析工具教程

这门课是 MIT 商业分析(BA)硕士项目的必修课,主要讲解了目前常用的一些数据分析工具,包括用 SQL 进行数据检索,用 Python,R 进行数据操作以及数据可视化和 git 和 Bash 的使用。

另外,MIT 老师还在自己的网站上给了这门课的文字教程和相关资料,非常适合大家学习。[……]

继续阅读

开源教程 「NLP-Tutorial」

这个项目并不复杂,但却包含了基本的嵌入式表征模型、CNN、RNN、注意力模型、Transformer 等的 13 个重要模型的核心代码实现。整体而言,基本所有代码都是作者自己完成的,当然都会借鉴已有的实现。很多模型都同时有 TensorFlow 和 PyTorch 两种版本,但像 Transformer 和 BERT 等拥有谷歌官方实现的模型,作者只提供了 PyTorch 实现。据作者介绍,随后他计划将添加 Keras 版本的实现。

引入瞩目的是,这个项目中几乎所有模型的代码实现长度都在 100 行左右(除了注释和空行外),很多预处理、模型持久化和可视化等操作都被简化或删除了。因此精简后[……]

继续阅读

轻量级机器学习模型训练评估指标可视化工具

Model Log 是一款基于 Python3 的轻量级机器学习(Machine Learning)、深度学习(Deep Learning)模型训练评估指标可视化工具,与 TensorFlow、Pytorch、PaddlePaddle结合使用,可以记录模型训练过程当中的超参数、Loss、Accuracy、Precision、F1值等,并以曲线图的形式进行展现对比,轻松三步即可实现。可以通过调节超参数的方式多次训练模型,并使用 Model Log 工具进行记录,可以很直观的进行模型对比,堪称调参神器。以下是使用工具后模型训练时 Loss 的变化曲线图。

GitHub地址项目 GitHub 地址[……]

继续阅读

强化学习入门库

这是一个入门的深度强化学习库,是中科院深圳先进院的一位同学独立完成的,拥有全中文的文档:

  • 轻量:仅含3个Python文件,仅需安装 PyTorch 和 GYM
  • 稳定:尽可能减少超参数。绝不通过微调超参数得到虚高的性能
  • 高效:循环内的代码注重效率,动态规划地编写计算流程
  • 可读:我喜欢Python之父的Python之禅 import this,尽力保持代码优雅
  • 易用:尽力降低代码耦合度,方便复制某段

目前,单智能体-无模型-深度-强化学习算法部分已经完成(多智能体、离散空间代码业已完成,有时间将整理上传):

  • 离线策略,确定策略梯度:DDPG,TD3[……]

    继续阅读