0-MedficientSAM: A Robust Medical Segmentation Model with Optimized Inference Pipeline for Limited Clinical Settings

0-MedficientSAM: A Robust Medical Segmentation Model with Optimized Inference Pipeline for Limited Clinical Settings

MedficientsAM：具有优化推理管道的强大医学分割模型，用于有限的临床环境 背景SAM的出现使通用医学图像分割模型的开发跨越了不同的模式。但是，临床环境中这种深度学习模型的推理仍然受到对强大计算设备的依赖的限制。 医学图像的早期分割模型通常基于nnUNET结构。尽管有效，但这些模型仅限于特定数据集，每个模型都针对特定的分割任务量身定制。SAM的出现标志着分割任务的显着范式移动。这些努力的重
0-EfficientViT-SAM:AcceleratedSegmentAnythingModel WithoutAccuracyLoss
0-EfficientViT: Lightweight Multi-Scale Attention for High-Resolution Dense Prediction

0-EfficientViT: Lightweight Multi-Scale Attention for High-Resolution Dense Prediction

EfficientViT:轻量级多尺度注意力用于高分辨率密集预测 背景巨大的计算成本使得在硬件设备上部署最先进的高分辨率密集预测模型变得困难。本文提出了EfficientViT，通过创新的轻量级多尺度注意力机制，显著提升了高分辨率密集预测任务的效率与实用性：其核心贡献在于将传统Transformer的二次复杂度自注意力替换为ReLU线性注意力，结合硬件友好的小核卷积实现线性计算复杂度，同时通过多尺
0-Diffusion-empowered AutoPrompt MedSAM
0-TP-DRSeg: Improving Diabetic Retinopathy Lesion Segmentation with Explicit Text-Prompts Assisted SAM
0-Self-Prompting Large Vision Models for Few-Shot Medical Image Segmentation

0-Self-Prompting Large Vision Models for Few-Shot Medical Image Segmentation

用于少量医学图像分割的自提示大型视觉模型 arXiv:2308.07624v1 [cs.CV] 15 Aug 2023 背景现有方法依赖于调整策略，这需要大量数据或针对特定任务量身定制的事先提示，这使得当只有有限数量的数据样本可用时具有挑战性。本文提出了一种关于医疗视觉应用中自我提示的新方法。利用 SAM 的嵌入空间通过一个简单而有效的线性像素分类器进行自我提示。通过保留大型模型的编码能
机器学习 > 论文笔记
#SAM
0-SAM-U: Multi-box prompts triggered uncertainty estimation for reliable SAM in medical image

0-SAM-U: Multi-box prompts triggered uncertainty estimation for reliable SAM in medical image

SAM-U：多框提示触发医学图像中可靠 SAM 的不确定性估计 arXiv:2307.04973v1 [cs.CV] 11 Jul 2023 背景本文提出了一种 SAM 线索的多框提示触发不确定性估计，以证明分割病灶或组织的可靠性，使用具有先验分布参数的蒙特卡洛估计 SAM 预测的分布，使用不同的提示作为测试时间增强的公式。多框提示增强增强了 SAM 性能并为每个像素提供了不确定性。为
机器学习 > 论文笔记
#SAM
0-SAM-SP: Self-Prompting Makes SAM Great Again

0-SAM-SP: Self-Prompting Makes SAM Great Again

Makes SAM Great Again arXiv:2408.12364v1 [cs.CV] 22 Aug 2024 浙江大学 背景视觉基础模型 （VFM）SAM在跨不同自然图像数据集的零镜头分割取得了成功，但 SAM 在医学图像上的性能会明显下降。目前解决这个问题的努力涉及微调策略，增强原版 SAM 通用型。然而专家级提示限制了模型的实用性。本文引入了一种新的基于自我提示的微调方法，
机器学习 > 论文笔记
#SAM
0-Sam2Rad: A Segmentation Model for Medical Images with Learnable Prompts

0-Sam2Rad: A Segmentation Model for Medical Images with Learnable Prompts

Sam2Rad：具有可学习提示的医学图像分割模型 arXiv:2409.06821v1 [cs.CV] 10 Sep 2024 加拿大麦吉尔大学计算机科学学院 背景SAM 和其系列医学图像分割模型无法分割超声图像(US)中的分割目标，这可能是由于在US看到的成像伪影的独特性质，例如当相邻散射之间的距离小于细胞分辨率时发生的散斑干涉图案。因此作者引入了一种带有轻量级交叉注意力模块的提示预测器
机器学习 > 论文笔记
#SAM
0-TriSAM: Tri-Plane SAM for zero-shot cortical blood vessel segmentation in VEM images
0-SAMedOCT: Adapting Segment Anything Model (SAM) for Retinal OCT
Latex常用语法
0-One-Prompt to Segment All Medical Images

0-One-Prompt to Segment All Medical Images

One-Prompt to Segment All Medical Images 背景分割大模型SAM在医学图像分割领域取得了很好的进展，但是仍然依赖人工手动提示，故本文中，作者介绍了一种通用医学图像分割的新范式，称为 One-Prompt。这种方法结合了一次性和交互式模型的优势，以满足实际的临床要求。具体来说，给定一个看不见的任务，用户只需要向训练好的模型提供一个提示样本，然后它就可以在这个新任
机器学习 > 论文笔记
#SAM
0-Generalized SAM: Efficient Fine-Tuning of SAM for Variable Input Image Sizes
0-DS-TransUNet: Dual Swin Transformer U-Net for Medical Image Segmentation
0-Dr-SAM: U-Shape Structure Segment Anything Model for Generalizable Medical Image Segmentation

0-Dr-SAM: U-Shape Structure Segment Anything Model for Generalizable Medical Image Segmentation

https://doi.org/10.1007/978-981-97-5600-1_17 注：此文与Link所指向的Dr-SAM不同 背景医学图像分割在现代医疗诊断中占据关键地位，精准的分割能够助力医师精确判别病情、规划治疗策略以及监测病症演进。然而，医学领域获取大规模标注图像数据困难重重，致使既有方法多依赖特定任务定制模型，普适性欠佳。 自然语言与视觉领域的基础模型成效斐然，但迁移至医
机器学习 > 论文笔记
#SAM
0-Hiera: A Hierarchical Vision Transformer without the Bells-and-Whistles

0-Hiera: A Hierarchical Vision Transformer without the Bells-and-Whistles

Hiera：一种去除繁杂结构的分层视觉 Transformer Facebook Meat 2023 背景Vision Transformers（ViTs）在计算机视觉领域广泛应用，但存在参数利用效率低的问题。分层设计的 Vision Transformers 虽提高了参数效率，但为追求 ImageNet - 1K 上的监督分类性能，添加了许多复杂组件，导致模型变慢。掩码自编码器（MAE）等自
机器学习 > 论文笔记
#SAM
0-SAM2-UNet: Segment Anything 2 Makes Strong Encoder for Natural and Medical Image Segmentation
0-Efficient and Robust Medical Image Segmentation Using Lightweight ViT-Tiny based SAM and Model Quantization>
0-MAFE-Net: retinal vessel segmentation based on a multiple attention-guided fusion mechanism and ensemble learning network

0-MAFE-Net: retinal vessel segmentation based on a multiple attention-guided fusion mechanism and ensemble learning network

MAFE - Net：用于眼底血管图像分割的多注意力引导融合网络 Biomedical Optics Vol. 15, No. 2/1 Feb 2024/Biomedical Optics Express 背景视网膜血管的精确自动识别对眼病预防、诊断和评估至关重要，但因血管形状复杂、病理变形和对比度不均等因素，分割极具挑战。现有视网膜血管分割方法分为手动设计特征提取层、深
机器学习 > 论文笔记
#SAM
0-LeSAM: Adapt Segment Anything Model for Medical Lesion Segmentation
0-GlanceSeg: Real-time microangioma lesion segmentation with gaze map-guided foundation model for early detection of diabetic retinopathy

0-GlanceSeg: Real-time microangioma lesion segmentation with gaze map-guided foundation model for early detection of diabetic retinopathy

GlanceSeg：利用凝视图引导基础模型进行实时微动脉瘤病变分割，用于早期检测糖尿病视网膜病变 arXiv:2311.08075v1 [eess.IV] 14 Nov 2023 背景早期糖尿病视网膜病变（DR）因微动脉瘤病变不明显且微小，临床诊断困难，相关研究有限。现有计算机辅助诊断（CAD）系统虽诊断性能好，但推理过程缺乏透明度，且早期检测能力不足，对标注数据依赖大。眼科医生诊断过
机器学习 > 论文笔记
#SAM
0-RevSAM2: Prompt SAM2 for Medical Image Segmentation via Reverse-Propagation without Fine-tuning
0-FS-MedSAM2: Exploring the Potential of SAM2 for Few-Shot Medical Image Segmentation without Fine-tuning
0-Dr-SAM: An End-to-End Framework for Vascular Segmentation, Diameter Estimation, and Anomaly Detection on Angiography Images.

0-Dr-SAM: An End-to-End Framework for Vascular Segmentation, Diameter Estimation, and Anomaly Detection on Angiography Images.

Dr-SAM：用于血管分割、直径估计和血管造影图像异常检测的端到端框架 背景下肢及盆腔器官供血依赖肾下主动脉和盆腔动脉，血管狭窄或扩张会引发健康问题。血管造影技术利用 X 射线和造影剂辅助诊断，AI 的发展使其可进行语义分析，有助于医生诊断。 现有血管造影图像分析方法在分析主动脉和髂动脉时存在局限，尤其在血管异常检测和表征方面。因此，本文提出 Dr - SAM 框架，用于外周血管造影图像分析。
机器学习 > 论文笔记
#SAM
0-Fundus2Angio: A Conditional GAN Architecture for Generating Fluorescein Angiography Images from Retinal Fundus Photography
近期更新计划
0-SAM2POINT: SEGMENT ANY 3D AS VIDEOS IN ZERO-SHOT AND PROMPTABLE MANNERS
0-A novel attention-guided convolutional network for the detection of

0-A novel attention-guided convolutional network for the detection of

A novel attention-guided convolutional network for the detection of 用于宫颈癌筛查中异常宫颈细胞检测的新型注意力引导的卷积网络背景一些研究已经在探索了自动检测宫颈癌的可能性，论文中举出了如以下提出的三种方法，而这些方法也存在问题，就是那些机器学习方法利用了为特定任务设计的传统手工特征，而这些特征通常不够健壮。 卷积神经网络（CNN
机器学习 > 论文笔记
医学影像数据集
0-ESP-MedSAM: Efficient Self-Prompting SAM for Universal Domain-Generalized Medical Image Segmentation
0-Learnable Ophthalmology SAM
0-MA-SAM: Modality-agnostic SAM adaptation for 3D medical image segmentation
0-MEDICAL SAM 2: SEGMENT MEDICAL IMAGES AS VIDEO VIA SEGMENT ANYTHING MODEL 2
医学影像与SAM

医学影像与SAM

SAM与医学影像SAM SAM 是一种可提示的分割架构，由三个主要组件组成，即图像编码器、提示编码器和掩码解码器。图像编码器采用视觉转换器 （ViT） （Dosovitskiy et al.， 2020） 作为支柱，用一组变压器块提取图像的基本特征。提示编码器接受各种类型的提示，包括点、框或文本，并将这些输入编码到提示嵌入中，以促进分割任务。掩码解码器设计为轻量级，它计算图像嵌入和提示之间的交叉注
0-SAM-UNet: Enhancing Zero-Shot Segmentation of SAM for Universal Medical Images
0-SAMUS: Adapting Segment Anything Model for Clinically-Friendly and Generalizable Ultrasound Image Segmentation
0-Segment Anything in Medical Images
0-Segment Anything Model for Medical Images
0-3DSAM-adapter: Holistic adaptation of SAM from 2D to 3D for promptable tumor segmentation
医学图像处理

医学图像处理

医学图像处理1.常见的医学图像 MRI 核磁共振图像（MRI），该图像是人体组织器官和病灶中的氢原子核在外部强磁场作用下产生的磁共振信号大小的度量，并通过计算机对体外核磁共振信号探测器接收到的信息数据进行3D图像重建。它能够提供非常清晰的人体软组织解剖结构和病灶影像。 CT 计算机断层扫描(CT)利用精确准直的X射线束对人体某部位一定厚度的断面进行照射扫描，并由与射线线束一起旋转的探测器接收
C-Vision Transformer (ViT)
0-Segment Anything
0-Diffusion Models Beat GANs on Image Synthesis

0-Diffusion Models Beat GANs on Image Synthesis

Diffusion Models Beat GANs on Image Synthesis 发表在2021年的NeurIPS会议上 背景GANs(生成对抗网络)一直是广泛使用的方法之一，在图片生成领域效果很好，但也有着训练过程不稳定，模式崩溃等问题。Diffusion Models(扩散模型)是一类基于概率生成过程的模型，一开始用于密度建模和生成任务，此研究旨在评估扩散模型在图像生成任务中的表
机器学习 > 论文笔记
0-Why Should I Trust You Explaining the Predictions of Any Classifier
0-Dropout: A Simple Way to Prevent Neural Networks from Overfitting
0-Binarized Neural Networks: Training Neural Networks with Weights and Activations Constrained to +1 or −1
0-Decoupled Neural Interfaces using Synthetic Gradients

0-Decoupled Neural Interfaces using Synthetic Gradients

Decoupled Neural Interfaces using Synthetic 使用合成梯度的解耦神经接口arXiv:1608.05343v2 ICML2016 背景训练神经网络需要数据通过前向传播，随后反向传播误差来更新权重，在这个过程中，网络和模块各层之间的相互依赖，需要等待其他层的计算完成才能完成更新，导致效率低下。本文的作者使用建模误差梯度，通过使用建模用合成梯度代替真正的反向
机器学习 > 论文笔记
0-Layer Normalization

0-Layer Normalization

Layer Normalization 层标准化 arXiv:1607.06450v1 2016年 背景BN（2015）、LN做为常用的标准化方法，不同之处就是在于对于激活函数的改变方式。标准化的目的是为了把输入转化成均值为0,方差为1的数据。 BN通过在深度神经网络中加入额外的归一化阶段来减少训练时间，除了训练时间的改善外，批量统计的随机性还可在训练过程中充当正则化器。但是BN在处理RNN
机器学习 > 论文笔记
0-HyKGE AHypothesis Knowledge Graph Enhanced Framework

0-HyKGE AHypothesis Knowledge Graph Enhanced Framework

HyKGE：利用知识图谱增强大语言模型在医学领域提升准确度 arXiv:2312.15883v2 2024年4月19日(v2) 背景LLM增强的知识图谱问答：是指结合大型语言模型（LLM）和知识图谱（KG）来改进和增强问答系统的能力。通过利用LLM的自然语言处理和生成能力，结合知识图谱的结构化数据。通过结合LLM和KG，问答系统可以处理更复杂和多样化的问题，同时提供更高质量和更可信的回答。这种
机器学习 > 论文笔记
0-Network Morphism

0-Network Morphism

Network Morphism 网络态射 ICML 2016 背景在深度学习中，模型架构的设计和优化是一个复杂且耗时的过程。现有的方法通常需要从头开始训练新的模型，或者进行复杂的超参数优化。论文提出了网络态射的概念，旨在通过调整现有网络结构，保持或提高网络性能，同时减少训练时间和资源。 实验方法网络态射包括以下几种主要操作： 增加层数（Layer Morphism）： 在现有网络中增加新
机器学习 > 论文笔记
0-Net2Net: Accelerating Learning Via Knowledge Transfer

0-Net2Net: Accelerating Learning Via Knowledge Transfer

Net2Net: Accelerating Learning Via Knowledge Transfer ICLR 2016 背景大型的深度神经网络的训练通常需要大量的计算资源和时间。随着模型需求增加（更深和更宽的网络），训练时间和资源也随之增加。于是作者给出了一种通过迁移学习来加速训练的方法。 传统的机器学习算法是接受一个固定的数据集作为输入，在不接受任何知识情况下初始化，并训练模型至收敛
机器学习 > 论文笔记
0-Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift
0-Improving neural networks by preventing coadaptation of feature detectors
1-基础部分-4-常用英文
0-Going Deeper with Convolutions
0-SimCSE: Simple Contrastive Learning of Sentence Embeddings
0-Knowledge Mining with Scene Text for Fine-Grained Recognition

0-Knowledge Mining with Scene Text for Fine-Grained Recognition

Knowledge Mining with Scene Text for Fine-Grained Recognition 基于场景文字知识挖掘的细粒度图像识别算法 CVPR 2022 背景场景文字的识别：和文档文本不同，场景文字具有稀疏性，通常以少许关键词的形式存在于自然环境中。通过稀疏的关键词，机器难以获取精准的语义。然而，人类能够较为充分地理解稀疏的场景文字。原因在于，人类具有大量的外部
机器学习 > 论文笔记
0-Instance and Panoptic Segmentation Using Conditional Convolutions
0-Faster R-CNN

0-Faster R-CNN

Faster R-CNN 发布于NIPS 2015 背景 R-CNN：使用选择性搜索算法生成候选区域，然后对每个区域进行卷积神经网络（CNN）特征提取和分类。这种方法的计算效率低，因为每个候选区域都要单独进行特征提取。 Fast R-CNN：改进了R-CNN，通过在整个图像上进行一次特征提取，然后使用区域兴趣（RoI）池化层对候选区域进行分类和回归。这减少了冗余计算，但候选区域的生成仍是一个瓶
机器学习 > 论文笔记
0-CDDSA: Contrastive Domain Disentanglement and Style Augmentation for Generalizable Medical Image Segmentation

0-CDDSA: Contrastive Domain Disentanglement and Style Augmentation for Generalizable Medical Image Segmentation

CDDSA:用于广义医学图像分割的对比域去纠缠和风格增强 发表于：Medical Image Analysis Volume 89 ,2023年10月, 102904 背景在分割未见过的临床医学图像的过程中，区分域特定特征和域不变特征的能力是实现域泛化（鼓励模型DG）的关键。现有的DG方法难以有效的解纠缠，从而获得高泛化能力，故提出了本文的方法：CDDSA框架（对比域去纠缠和风格增强），用
机器学习 > 论文笔记
0-ImageNet Classification with Deep Convolutional Neural Networks

0-ImageNet Classification with Deep Convolutional Neural Networks

AlexNet 2012 NIPS 背景为了从数以百万计的图像中学习出数千种的目标，需要一个具有很强学习能力的模型。尽管CNNs有效率的局部结构，但大规模地应用于高分辨率图像消耗资源仍然过多。本文介绍了一种可以进行图像识别的卷积神经网络，包含了大量的不常见和新的特征来提升网络性能，减少训练时间。 包含6千万个参数和65万个神经元，包含了5个卷积层，其中有几层后面跟着最大池化层，以及3个全连接层，最
机器学习 > 论文笔记
0-Very Deep Convolutional Networks For Large-Scale Image Recognition
Leetcode
0-Fast R-CNN

0-Fast R-CNN

Fast R-CNN 背景​ 上回说到R-CNN，而Fast R-CNN是原作者在2015年发表的续作，性能比之前的R-CNN块9倍。目标检测要面临的两大问题是（1）需要处理的候选框过多（2）候选框的位置不精确要进行微调。 ​ 这就不得不提到R-CNN的缺点：训练以及测试的过程复杂，需要大量的RAM，R-CNN网络需要对候选框进行形变操作后再输入CNN网络提取特征，形变会产生一些列问题。 相比于R
机器学习 > 论文笔记
#目标检测
0-Rich feature hierarchies for accurate object detection and semantic segmentation
1-基础部分-3-读论文

1-基础部分-3-读论文

学位论文摘要第一章绪论第二章材料与方法第三章结果与讨论(1)第四章结果与讨论(2)第五章结果与讨论(3)结论参考文献攻读硕士学位期间取得创新性成果学位论文原创性声明及使用授权致谢个人简历 功能：·题目→点睛，文章的极致浓缩;题目信息量≥50%文章的内容· ·摘要→浓缩的论文（重要程度超过论文主体) ·关键词→漂流瓶上的GPS(频道要一致) ·引言→背景（目的) -现状（那个等待修补的重要拼图）-
机器学习 > 基础部分
0-Deep Residual Learning for Image Recognition

0-Deep Residual Learning for Image Recognition

用于图像识别的深度残差学习ResNet 文章发表于2015年 背景越深的神经网络训练起来越发困难，利用残差学习框架，能够简化深层的的网络训练。根据输入来学习残差函数而非原神函数，在ImageNet数据集使用了152曾的网络来评价残差网络，具有很低的复杂度，并且多个ensemble在测试集上的错误率很低。 在深度学习神经网络的训练中，层次越深，训练越困难，优化越困难，并且会出现梯度消失/
机器学习 > 论文笔记
#目标检测
markdown中的数学公式
HEXO GUIDE
2-工具与软件-5-TensorFlow
2-工具与软件-4-PyTorch
2-工具与软件-3-数据分析实战

2-工具与软件-3-数据分析实战

使用Python进行数据分析，对其编程、库，以及⽤于数据分析的⼯具的相关学习与研究。 一.准备工作1 重要的Python库NumPyNumPy（Numerical Python的简称）是Python科学计算的基础包。详见它提供了以下功能（不限于此）： 快速⾼效的多维数组对象ndarray。 ⽤于对数组执⾏元素级计算以及直接对数组执⾏数学运算的函数。 ⽤于读写硬盘上基于数组的数据集的⼯具。 线
机器学习 > 工具与软件
2-工具与软件-2-Pandas
2-工具与软件-1-Numpy
1-基础部分-2-数学基础
1-基础部分-1-Python
3-机器学习-1-理论
Linux下的锐捷认证