在腹部 CT 和 MRI 上，不同表现之间的差异（例如，年龄、性别、身高、正常解剖变异和疾病状态）可以通过观察每个器官的大小、形状和外观来预测。但是，个体本身由于诸如：姿势、呼吸周期、水肿、消化状态等，很容易改变腹部器官的形状和器官之间的位置关系，使配准进一步复杂化。

来自 B 站刘二大人的《PyTorch深度学习实践》P10 的学习笔记之前的由线性层组成的全连接网络是深度学习常用的分类器，由于全连接的特性，网络提取的特征未免冗余或者抓不住重点，比如像素的相对空间位置会被忽略。所以，在全连接层前面加入特征提取器是十分有必要的，卷积神经网络就是最好的特征提取器。CNN关于卷积神经网络的输入输出特征图，以及多通道多批量的特征处理，参考：卷积神经网络的输入输出特征图大

来自 B 站刘二大人的《PyTorch深度学习实践》P12 的学习笔记RNN Cell循环神经网络的隐藏层可以说都是线性层（Linear），由于它主要用于预测有前后关系的序列输入，所以它像斐波那契数列一样，后一次循环要输入前一次的输出，即，递归地求出下一次输出，故弹幕里有不少人称之为递归神经网络。下图中的左边就是一层 RNN 的隐藏层，右边是它运行的过程（RNN Cell 一直是同一个，只是可视化

torchvision.models 里面有很多已经训练好的经典网络，我们做迁移学习的时候可以使用这些预训练的神经网络的卷积部分做特征提取器，训练时，只需迭代更新最后的全连接层，即分类器。一、首先从 torchvision.models 白嫖一个预训练好的 AlexNet：from torchvision import modelsalexnet = models.alexnet(pretrain

1.5b 模型，4GB显存就能跑。7b、8b 模型，8GB显存就能跑。14b 模型，12GB显存能跑。32b 模型，24GB显存能跑。提供 Web UI，需要 Ollama 在后台运行。Ollama提供本地模型运行服务。

不知什么时候，我发现从前我用过一个 GitHub 的开源工具，它提供了将 rst 文档编译成 html 的工具。它使用 Python 语言开发，有机会我把它做成一个 Web 小工具。

Deep learning based registration using spatial gradients and noisy segmentation labels (Learn2Reg Task 3: CT Abdominal)Théo Estienne,et al. “Deep Learning-Based Registration Using Spatial Gradients an

Deep learning based registration using spatial gradients and noisy segmentation labels (Learn2Reg Task 3: CT Abdominal)Théo Estienne,et al. “Deep Learning-Based Registration Using Spatial Gradients an

Deep learning based registration using spatial gradients and noisy segmentation labels (Learn2Reg Task 3: CT Abdominal)Théo Estienne,et al. “Deep Learning-Based Registration Using Spatial Gradients an

Deep Learning-Based Concurrent Brain Registration and Tumor SegmentationEstienne, T. et al. “Deep Learning-Based Concurrent Brain Registration and Tumor Segmentation.” Frontiers in Computational Neuro