外觀
Data Science › Deep Learning › 電腦視覺
電腦視覺 (Computer Vision)
影像怎麼進入模型、CNN 為何有效,以及兩類最常見的任務:分類(整張圖一個標籤)與分割(每個像素一個標籤)。不訓練模型的古典影像處理(濾波、閾值、形態學、registration)見 影像分析;各成像模態的原理見 Medical Imaging。
建議順序
CNN 與影像分類 → 遷移學習 → U-Net 分割
筆記
| 筆記 | 內容 | 回答的問題 |
|---|---|---|
| 卷積神經網路 | 卷積、pooling、輸出尺寸、經典架構、影像分類流程、1D CNN | 為什麼影像用 CNN?分類模型怎麼建? |
| U-Net 影像分割 | encoder-decoder、skip connection、Dice loss、細胞 / 器官分割工具 | 怎麼把每個像素分類(細胞、病灶)? |
任務對照
| 任務 | 輸出 | 生醫例子 | 常用模型 / 工具 |
|---|---|---|---|
| 分類 | 每張圖一個類別 | 病理切片腫瘤 / 正常、X 光有無肺炎 | ResNet、EfficientNet、ViT |
| 物件偵測 | 邊界框 + 類別 | 細胞核、有絲分裂計數 | YOLO、Faster R-CNN |
| 語意分割 | 每像素類別 | 器官、腫瘤區域 | U-Net、nnU-Net |
| 實例分割 | 每個物件各自的遮罩 | 個別細胞(相鄰細胞要分開) | Cellpose、StarDist、Mask R-CNN |
| 全切片影像 (WSI) | 整張 gigapixel 切片一個標籤 | 預後、分子亞型預測 | 切 patch + 多實例學習 (MIL) |