TeaPort

开启SPM12 1spm pet 基本操作 12345I = dicomread(dicomFile)imshow(I, 'DisplayRange', []) % 显示DICOM图像info = dicominfo(dicomFile) % 显示元信息% info.AcquisitionTime较重要 计算SUV：使用ImCalc输入计算公式后，Display选中计算结果 图像预处理 Spatial Registration, Normalization Registration: Rigid Transformations (rotations, translations…) Normalization: Transform to Montreal Neurology Institute (MNI) Template Smoothing: e.g. Gaussian kernel, improve SNR, minimize differences between normalized images, increase validity of statist ...

工厂在业务逻辑增加的过程中，也会越来越复杂，维护性逐渐降低。 策略模式 定义了算法家族，分别封装起来，让其可以互相替换。此模式让算法的变化不影响使用算法的客户。 核心在于算法是随时都可能相互替换的。 Strategy类，定义所有支持的算法的公共接口 ConcreteStrategy类，封装具体算法或行为，继承自Strategy Context类，使用一个ConcreteStrategy进行配置，维护一个对Strategy对象的引用 123456class Context def __init__(self, strategy: Strategy): self.strategy = strategy def context_interface(): return self.strategy.algorithm_interface() 但在具体实现过程中，仍然不能完全将策略选择过程从客户端中剥离。可以考虑与简单工厂模式结合。 12345678class CashContext: def __init__(type: str): # 接收策略类型而不是具体 ...

放射性药物与放疗激活药物 新药开发 PSMA-SPECT/CT技术是一种前列腺特异性膜抗原-单光子发射计算机断层摄影技术 肿瘤滞留不足是放射性药物面临的关键挑战。 前期工作 制备紧缺核素 延长血液循环，提高肿瘤摄取：可能不能成功 定点修饰抗体 FAPI小分子结构改造，加强靶向，高速清除降低毒副作用 短半衰期核素降低毒副作用 共价放射性药物增加核素的肿瘤摄取和滞留，靶向后激活 核素治疗不依赖信号通路，但有副作用。 放射性驱动的药物化学 gamma、X线、热中子束容易调控 发展放疗驱动的选择性断键，引发化疗药物的靶向释放，但十分困难（电子束能量大，断键无选择性）。 羟基自由基激活药物 伦琴发现氰化铂可以被X线激活发光，因此可能使用放射线释放顺铂 肿瘤内强烈的还原环境，乏氧化 放射性含B药物用于B中子俘获治疗 B完全不参与蛋白质合成与结合，因此本底更低 钆中子俘获核反应驱动 单个癌细胞上受体的量级1e6-1e7 一些别的思考 非一线治疗天然存在劣势：收治的志愿者往往更严重 新药物的毒性很难评估：病人死亡是药物副作用还是疾病本身进展？ 核素储量本身也是一 ...

直觉地用计算机的方式去思考是初学者常见的问题 活字印刷 可维护：只更改需要更改的字 可复用：在后来的印刷中重复使用 可扩展：另外加字 高灵活：排版方式不同 使用封装、继承、多态，降低程序耦合。 业务封装 将业务和界面分离：Web、Windows、Linux平台下的计算机均可使用Operation类。只需重写界面即可。 松耦合 构建一个基类Operation，其他运算继承此基类，并重写其虚方法。如此可更容易地添加新运算。 简单工厂模式 用一个单独的类来进行创造实例的活动。 1234oper = OperationFactory.create_pperate('+')oper.num1 = 1oper.num2 = 1result = oper.get_result() 如果需要修改加法，只需修正class OperationAdd，增加其他运算只需添加对应的子类并修改工厂。 UML简介 接口实现：棒棒糖表示法 关联：一个类"知晓"另一个类，可用实线箭头表示 聚合：一种"弱拥有"，A可包含B对象，但B对象不是A对象的一部 ...

课程 课程的代码教学非常详细。本文的主要代码均来源于代码教学。 检查安装成功 12345import mmcvfrom mmcv.ops import get_compiling_cuda_version, get_compiler_versionprint('MMCV版本', mmcv.__version__)print('CUDA版本', get_compiling_cuda_version())print('编译器版本', get_compiler_version()) 实战 进行推理 12python demo/image_demo.py img.jpg config.py \ checkpoint.pth --out-file fname.jpg --device cuda:0 --opacity 0.5 运行语义分割预测 12345678from mmseg.apis import inference_modelfrom mmengine.model.utils import revert_sync_ba ...

课程 应用 人像分割 自动驾驶 医疗影像 智能遥感：河流、田地等 思路 先验知识：颜色相近，物体交界颜色变化 先验知识不完全准确 逐像素分类：滑窗，逐个滑动预测类别 需重复计算卷积 复用卷积：直接在feature map上预测 需要全连接层的卷积化：每个全连接层神经元用一个卷积核替换（Fully Convolutional Network） 预测图上采样：双线性插值或转置卷积 双线性插值可以用对应卷积核代替：先进行零插值，再使用设计好的卷积核卷积 转置卷积 也称升卷积Upconvolution或反卷积Deconvolution，但不建议使用反卷积，其在数学上与卷积不互逆。转置卷积Transposed Convolution名称来源于卷积对应的矩阵运算。 对于卷积运算 O=I∗h=CIO = I * h = CI O=I∗h=CI 其中hhh为卷积核，OOO为输出（小图），III为输入（大图），CCC为卷积运算的等价矩阵乘法项。可以发现其转置卷积有 I′=O′∗h′=CTO′I' = O'*h' = C^TO ...

课程 YOLOv3模型 主干网络：Darknet53 颈部：FPN 检测头 技巧 搜索模型： 1mim search mmdet --model "mask r-cnn" 推理 12345from mmdet.apis import init_detector, inference_detector, show_result_pyplotmodel = init_detector('config_path', 'checkpoint_path')result = inference_detector(model, 'img_path')show_result_pyplot(model, 'img_path', result) 推理 简单的推理 1234from mmdet.apis import init_detector, inference_detetor, show_result_pyplotmodel = init_detector(cfg, checkpoint ...

课程 这节课讲得有点划，硬核的部分都略去了orz 思路 滑窗：不可接受的效率成本 R-CNN、Fast R-CNN：Selective Search提议，比较复杂 Regional Proposal：使用一些特征减少框数 Selective Search：贪心算法将相邻而相似的图像块合并 消除滑窗重复计算：一次卷积计算所有特征，裁切特征图分类 密集预测 两阶段方法 区域提议+区域识别，逐步被单阶段取代 Fast R-CNN Faster R-CNN Mask R-CNN 锚框：原图上设置不同尺寸的基准框，基于特征独立预测其中是否包含物体（区域提议） 级联方法 Cascade R-CNN HTC 单阶段方法 YOLO Series SSD：在多个特征图上使用密集预测方法，产生所有位置、不同尺度、所有锚框的预测结果 锚框与真值匹配原则：一个真值框可匹配多个IoU > 0.5的锚框 8732个锚框分类 + 回归预测计算损失，每个锚框都有其分类、回归真值 Retina Net：FPN多尺度特征融合+Focal loss FCOS：直接在多尺 ...

笔记 训练注意事项 对Evaluation部分 123456evaluation = dict( interval=1, metric='accuracy', save_best='accuracy_top-1', metric_options={'topk':(1,)} # 由于总类为4，这里必须指明metric_options) 启用标签平滑： 12# 在head中修改lossloss=dict(type='LabelSmoothLoss', label_smooth_val=0.2, mode='original') load_from用于加载模型，resume_from用于重启训练，两者不同。 想要启用Wandb，可以用 1234567log_config = dict( interval=10, hooks=[ dict(type='TextLoggerHook'), dict(type='MMC ...