“深度学习”的版本间的差异
| 第1行： | 第1行： | ||
| − | + | '''深度学习混合模型''' | |
直接预测眼球模型参数具备无与伦比的速度优势。 | 直接预测眼球模型参数具备无与伦比的速度优势。 | ||
| 第22行： | 第22行： | ||
直接采用人工标签比较分析DICE，预测动态参数和静态参数，可能是可行的，也是最直接的。 | 直接采用人工标签比较分析DICE，预测动态参数和静态参数，可能是可行的，也是最直接的。 | ||
| + | |||
| + | |||
| + | ## 深度学习模型训练计划 | ||
| + | 1. 眼球静态参数预测 | ||
| + | 眼球半径，虹膜半径，眼球中心 | ||
| + | 损失函数：虹膜椭圆DICE | ||
| + | 方法： | ||
| + | Powell | ||
| + | 深度学习 | ||
| + | 2. 角膜屈光系数预测 | ||
| + | 损失函数： | ||
| + | 虹膜椭圆DICE，瞳孔椭圆DICE，虹膜光轴和瞳孔光轴视角和旋转角参数 | ||
| + | 3. 动态参数 | ||
| + | 虹膜中心，瞳孔椭圆参数 | ||
| + | |||
| + | |||
| + | ## 基于深度学习的半规管分割 | ||
| + | 半规管在CT/MRI体素里只占<0.3%,属于“极端前景-背景不平衡+拓扑必须连续”的三维医学分割人物。 | ||
| + | 经验告诉我们：网络结构随便换，Lossxuanz | ||
| + | 关键是损失函数： | ||
| + | 1. 统计形状模型 | ||
| + | 2. 中心线分析 | ||
2025年9月12日 (五) 08:59的版本
深度学习混合模型
直接预测眼球模型参数具备无与伦比的速度优势。
损失函数至关重要，包括参数loss和眼球模型参数构建虹膜椭圆dice系数
静态参数和动态参数分别预测更加合理。 静态参数采用LSTM 动态参数采用CNN
模型参数迁移
yolo8 可以自定义损失函数：
DFL 损失函数 CIoU 损失函数： 应该修改CIoU，计算椭圆的IoU
直接采用人工标签比较分析DICE，预测动态参数和静态参数，可能是可行的，也是最直接的。
- 深度学习模型训练计划
1. 眼球静态参数预测 眼球半径，虹膜半径，眼球中心 损失函数：虹膜椭圆DICE 方法： Powell 深度学习 2. 角膜屈光系数预测 损失函数： 虹膜椭圆DICE，瞳孔椭圆DICE，虹膜光轴和瞳孔光轴视角和旋转角参数 3. 动态参数 虹膜中心，瞳孔椭圆参数
- 基于深度学习的半规管分割
半规管在CT/MRI体素里只占<0.3%,属于“极端前景-背景不平衡+拓扑必须连续”的三维医学分割人物。 经验告诉我们：网络结构随便换，Lossxuanz 关键是损失函数： 1. 统计形状模型 2. 中心线分析
