《人工智能應(yīng)用開發(fā)》課件-第6、7章腦PET圖像分析和疾病預(yù)測(cè)

腦PET圖像分析和疾病預(yù)測(cè)1數(shù)據(jù)處理目錄背景與目標(biāo)2模型構(gòu)建3模型性能評(píng)估4一種中樞神經(jīng)系統(tǒng)變性病（亦稱老年性癡呆）漸進(jìn)性記憶障礙認(rèn)知功能障礙人格改變語(yǔ)言障礙背景與目標(biāo)阿爾茨海默癥(Alzheimerdisease,AD)臨床醫(yī)學(xué)強(qiáng)調(diào)早發(fā)現(xiàn)、早治療、早健康有不少疾病（如阿爾茨海默癥）很難快速確診，病人易錯(cuò)失最佳治療時(shí)間思考：大數(shù)據(jù)+人工智能技術(shù)能否發(fā)揮作用？背景與目標(biāo)臨床醫(yī)學(xué)的某些困境能否通過(guò)影像材料對(duì)人體健康情況做出判斷？背景與目標(biāo)醫(yī)療影像與疾病診斷全稱是腦部正電子發(fā)射計(jì)算機(jī)斷層顯像（brainpositronemissiontomographyPET），是反映腦部病變的基因、分子、代謝及功能狀態(tài)的顯像。它是利用正電子核素標(biāo)記葡萄糖等人體代謝物作為顯像劑，通過(guò)病灶對(duì)顯像劑的攝取來(lái)反映其代謝變化，從而為臨床提供疾病的生物代謝信息，為腦癲癇病、腦腫瘤、帕金森病、阿爾茨海默綜合癥等提供了有效的檢測(cè)手段。利用腦PET圖像檢測(cè)出早期患者，并提前介入治療，從而延緩患者發(fā)病，對(duì)后續(xù)患者康復(fù)治療有著積極的意義。背景與目標(biāo)腦PET介紹腦PET圖像檢測(cè)數(shù)據(jù)庫(kù)，記錄了老年人受試志愿者的腦PET影像資料。train：訓(xùn)練集分CN和AD兩種類別的圖像，每個(gè)類別有1000張圖像test：測(cè)試集有1000張圖像背景與目標(biāo)數(shù)據(jù)說(shuō)明文件夾數(shù)據(jù)標(biāo)簽數(shù)據(jù)格式數(shù)據(jù)說(shuō)明trainCNpng正常老年人數(shù)據(jù)ADpng阿爾茨海默綜合癥testCN&ADpng測(cè)試數(shù)據(jù)背景與目標(biāo)數(shù)據(jù)介紹CN樣本AD樣本train數(shù)據(jù)集部分樣本展示如下圖test數(shù)據(jù)集部分樣本展示如下圖背景與目標(biāo)數(shù)據(jù)介紹CN&AD構(gòu)建一個(gè)模型，預(yù)測(cè)test文件夾中的腦pet是否為AD患者背景與目標(biāo)目標(biāo)CNorAD?model1數(shù)據(jù)處理目錄背景與目標(biāo)2模型構(gòu)建3模型性能評(píng)估4數(shù)據(jù)處理總體流程圖片加載統(tǒng)一圖片尺寸圖片增強(qiáng)圖片批處理代碼運(yùn)行主要環(huán)境：Python3.9.xPyTorch1.13.0數(shù)據(jù)處理數(shù)據(jù)處理流程使用opencv庫(kù)的imread函數(shù)讀取圖片，將圖片數(shù)據(jù)轉(zhuǎn)化為數(shù)組結(jié)構(gòu)，填入?yún)?shù)為圖片路徑。圖片的三個(gè)通道的像素都是相同的。數(shù)據(jù)處理圖片加載統(tǒng)一圖片規(guī)格為（227，227，1）。修改圖片規(guī)格可使用cv2.resize()函數(shù)，需填入?yún)?shù)為圖片數(shù)組和修改圖片的大小。數(shù)據(jù)處理統(tǒng)一圖片尺寸由于深度學(xué)習(xí)對(duì)數(shù)據(jù)集的大小有一定的要求，數(shù)據(jù)的規(guī)模越大，質(zhì)量越高，模型的泛化能力就越強(qiáng)。圖片增強(qiáng)的相關(guān)方法：圖像翻轉(zhuǎn)、旋轉(zhuǎn)、縮放等。數(shù)據(jù)處理圖片增強(qiáng)1.圖片翻轉(zhuǎn)，圖片翻轉(zhuǎn)可使用cv2.flip()函數(shù)，參數(shù)說(shuō)明如下表，翻轉(zhuǎn)示例如下圖。數(shù)據(jù)處理圖片增強(qiáng)參數(shù)名稱說(shuō)明src輸入的圖片flipCode翻轉(zhuǎn)編碼，共3個(gè)取值。取1時(shí)圖片水平翻轉(zhuǎn)；取0時(shí)圖片垂直翻轉(zhuǎn)；取-1時(shí)圖片水平垂直翻轉(zhuǎn)原始圖片水平垂直翻轉(zhuǎn)后的圖片2.圖片旋轉(zhuǎn)及縮放，角度旋轉(zhuǎn)操作和圖像鏡像相對(duì)，主要是沿著畫面的中心進(jìn)行任意角度的變換，該變換是通過(guò)將原圖像和仿射變換矩陣相乘實(shí)現(xiàn)，旋轉(zhuǎn)及縮放示例如下圖。數(shù)據(jù)處理圖片增強(qiáng)原始圖片逆時(shí)針旋轉(zhuǎn)45°并放大1.2倍后的圖片仿射變換矩陣可調(diào)用cv2.getRotationMatrix2D()函數(shù)，參數(shù)說(shuō)明如下表。進(jìn)行圖片仿射變化可使用cv2.warpAffine()函數(shù)，參數(shù)說(shuō)明如下表。數(shù)據(jù)處理圖片增強(qiáng)參數(shù)名稱說(shuō)明center旋轉(zhuǎn)的中心點(diǎn)，一般是圖片的中心，用img.shape取得長(zhǎng)寬，然后取一半angle旋轉(zhuǎn)的角度，正值是逆時(shí)針旋轉(zhuǎn)，負(fù)值是順時(shí)針旋轉(zhuǎn)scale縮放因子參數(shù)名稱說(shuō)明src輸入的圖片M仿射變化矩陣dsize變換后的圖片大小1數(shù)據(jù)處理目錄背景與目標(biāo)2模型構(gòu)建3模型性能評(píng)估4模型構(gòu)建搭建LeNet-5網(wǎng)絡(luò)模型使用torch.nn.Conv2d()函數(shù)搭建卷積層，常見參數(shù)如下表。模型構(gòu)建1.搭建卷積層參數(shù)名稱說(shuō)明in_channelsConv2d層輸入tensor的空間維度（圖像的顏色通道數(shù)）out_channelsConv2d層輸出tensor的空間維度，即卷積核的數(shù)量kernel_size指定二維卷積核的高度和寬度stride二維卷積核的移動(dòng)步長(zhǎng)padding_mode指定填充模式，可選值為'zeros',

'reflect’,'replicate'

or

'circular'padding輸入的高度和寬度方向上填充的數(shù)量使用torch.nn.MaxPool2d()函數(shù)搭建池化層，常見參數(shù)如下表。模型構(gòu)建2.搭建池化層參數(shù)名稱說(shuō)明kernel_size指定池化核尺寸大小stride池化操作的移動(dòng)步長(zhǎng)padding指定池化填充0的數(shù)量損失函數(shù)設(shè)計(jì)稀疏交叉熵?fù)p失函數(shù)：CrossEntropyLoss優(yōu)化器設(shè)計(jì)隨機(jī)梯度下降法：SGD評(píng)估標(biāo)準(zhǔn)設(shè)計(jì)準(zhǔn)確率：accuracy劃分?jǐn)?shù)據(jù)集設(shè)計(jì)提取數(shù)據(jù)集80%的數(shù)據(jù)作為訓(xùn)練集訓(xùn)練模型，20%的數(shù)據(jù)作為驗(yàn)證集測(cè)試模型，評(píng)估模型優(yōu)劣模型構(gòu)建模型訓(xùn)練1數(shù)據(jù)處理目錄背景與目標(biāo)2模型構(gòu)建3模型性能評(píng)估4predicted=network(X_test_tensor)#模型預(yù)測(cè)result=predicted.data.numpy().argmax(axis=1)#預(yù)測(cè)標(biāo)簽acc_test=(result==y_test).mean()#測(cè)試精度模型性能評(píng)估利用LeNet-5模型，訓(xùn)練40輪后在驗(yàn)證集上進(jìn)行性能評(píng)估m(xù)odel=LeNet5()#實(shí)例化得到一個(gè)網(wǎng)絡(luò)模型model_state_dict=torch.load('leNet5-1.pt')#加載已保存好的模型（參數(shù)