lwtbn7

Ensembles of Multiple Models and Architectures for Robust Brain Tumour Segmentat

Brats17 NO.1 :Ensembles of Multiple Models and Architectures for Robust Brain Tumour Segmentation

jiu0Monkey.yml

環境快速配置,通過anaconda導入文件即可快速新建環境,簡單快捷,配套我的3D腫瘤分割系列。python3.6,pytorch

单片机与电脑的串口通信编程

用了MFC 在VS2015上运行的,代码简单易懂,用于单片机与电脑的串口通信。

Group Normalization

当batch size小的时候 Group Normalization 的效果会比 Batch Normalization好.

论文Intramodality Domain Adaptation Using Self Ensembling and Adversarial Training

不同机构或者肿瘤程度导致数据集的domain shift问题: 论文Intramodality Domain Adaptation Using Self Ensembling and Adversarial Training,本论文提出方案来缓解这个问题.

newtest.py

在此之前，脑肿瘤专栏中的2D网络预测的时候,是把所有的切片预测完指标再求平均值,这样测的值极容易收到一些差的切片而影响整体的指标.所以以后的2D网络预测都采用下面方式进行计算指标,即把所有预测的切片拼接回3D,然后对3D数据整体进行计算指标.这样计算的值会偏高点.不只是2D网络这样,3D网络也是如此

Automatic Brain Tumor Segmentation using Convolutional Neural Networks with Test

论文:测试时数据增强(TTA):Automatic Brain Tumor Segmentation using Convolutional Neural Networks with Test

Brain tumor segmentation using deep learning

论文: Brain tumor segmentation using deep learning | Gal Peretz , Elad Amar

论文3D MRI brain tumor segmentation using autoencoder regularization

Brats18 NO.1: 3D MRI brain tumor segmentation using autoencoder regularization

GetTrainingSets.ipynb

博主用的训练集和验证集均来自BraTs2018的训练集(其中HGG:210个病人,LGG:75个病人),在预处理中我主要有三个步骤:1、对各个模态进行标准化2、对各模态及其GT数据进行裁剪3、对各模态及其GT数据进行切片,并抛无病灶切片,最后合并各模态的切片,然后保存为Numpy