文件名称：颜色分类leetcode-RBC-Classification-ConvNet:RBC-分类-ConvNet
文件大小：33.21MB
文件格式：ZIP
更新时间：2024-07-26 16:25:33
系统开源
颜色分类leetcode 使用卷积网络的红细胞分类 探索机器学习在病理学中的应用 该项目调查机器学习技术在病理学问题中的应用。 使用耶鲁大学医学院病理学家编制的数据集，我开发了一个模型，将红细胞分类为具有病理意义的不同组。 在 750 张图像的原始数据集上探索和测试了许多卷积网络架构。 使用深度卷积神经网络，我能够达到高达 97% 的准确率，比以前的方法有了显着的改进。 从历史上看，数字病理学中的组织病理学图像分析方法主要侧重于低级图像分析任务（例如，颜色归一化、核分割和特征提取），其次是使用经典机器学习方法构建分类模型，包括：回归、支持向量机和随机森林。 自 2012 年以来，基于深度学习的方法在主要的计算机视觉竞赛（例如 ImageNet 挑战赛）中一直表现出一流的性能。 该项目试图将深度卷积网络应用于病理学中的分类问题。 在基于深度学习的方法中，不需要手动提取特征。 相反，深度学习算法仅将图像及其标签作为输入，并在仅来自图像标签的监督下学习一组复杂的模型参数，建立在图像的内部表示之上。 即使训练数据有限，在 Torres 博士病理实验室收集的数据集上训练的模型也能够达到 97.5
【文件预览】：
RBC-Classification-ConvNet-master
----.ipynb_checkpoints()
--------keras_explore-checkpoint.ipynb(36KB)
--------keras-checkpoint.ipynb(22KB)
----keras.ipynb(22KB)
----model_adam_pic.png(81KB)
----data()
--------September_1_total_non_overlap.hkl(52.71MB)
----keras_explore-tf.ipynb(22KB)
----Train.ipynb(26KB)
----final_paper.pdf(1.65MB)
----README.md(2KB)
----data_explore.ipynb(73KB)
----model_adam.h5(3.49MB)
----Evaluation.ipynb(9KB)
----cnn.py(13KB)
----keras_explore.ipynb(36KB)
----model.h5(2.34MB)