1.肺結節的檢測
根據資料的標籤是座標還是掩膜，選取不同的方法。標籤是座標選取目標檢測方法，標籤是掩膜則選取影象分割演算法.
2.unet網路介紹
unet是乙個在醫學影象處理領域，應用很廣泛的網路結構，是一種全卷積神經網路，輸入和輸出都是影象，沒有全連線層。較淺的高解析度層用來解決畫素定位的問題，較深的層用來解決畫素分類的問題。u-net 構造了乙個收縮網路和乙個擴張網路，形成了乙個 u 型結構。收縮過程通過不斷的卷積(convolution)和池化(pooling)操作提取特徵。擴張過程與收縮過程相對應，通過上取樣(upsampling)和卷積操作來獲取的特徵。u-net 的特點在於收縮網路和擴張網路是相互對映的關係，在擴張的過程中，通過合併與之對映的收縮層特徵補全丟失的邊界資訊，提公升**邊緣資訊的準確性。與segnet，vgg 等網路結構相比，u-net 具有訓練時間短，結構簡單，樣本需求少等優勢。
3.損失函式
(1).dice 損失
訓練分割網路，我們採用 dice loss作為損失函式，dice loss定義如下：
dice 係數是一種集合相似度函式，用來評判兩個樣本之間的相似程度，兩個樣本相似度越好，dice係數越大,相應的損失就越小，故可採用1-dice作為損失。
4.提取肺實質
在影象中，最小的單位是畫素，每個畫素周圍有8個鄰接畫素，常見的鄰接關係有2種：4鄰接與8鄰接。4鄰接一共4個點，即上下左右，如下左圖所示。8鄰接的點一共有8個，包括了對角線位置的點，如下圖所示。
如果畫素點a與b鄰接，我們稱a與b連通，於是我們不加證明的有如下的結論： 如果a與b連通，b與c連通，則a與c連通。 在視覺上看來，彼此連通的點形成了乙個區域，而不連通的點形成了不同的區域。這樣的乙個所有的點彼此連通點構成的集合，我們稱為乙個連通區域。 下面這符圖中，如果考慮4鄰接，則有3個連通區域；如果考慮8鄰接，則有2個連通區域。
5.分類網路
分割網路檢測的疑似結點中含有大量的假陽性，比例大約是1:20，因此需要乙個分類網路進行假陽性衰減，判別每乙個疑似結點是否是真陽性，並給出屬於真陽性的概率。
資料處理步驟
分割網路檢測處的疑似結點作為分類網路的輸入資料，進行與分割階段相同的歸一化，翻轉以及隨機平移。由於正負樣本比例懸殊，在訓練分類網路的時候，控制正負樣本比例為1:3，比1:1或者不控制比例訓的準確率更高。
6.肺結節相關的演算法步驟
肺部區域提取。使用影象分割演算法生成肺部區域的mask圖，然後根據mask圖生成肺部區域影象。
疑似肺結節分割。
利用肺部分割生成的肺部區域影象，加上結節標註資訊生成的結節mask影象，訓練基於卷積神經網路的肺結節分割器。下圖基於卷積網路的肺結節分割結果，對分割結果影象進行二值化，提取連通塊等處理，提取出疑似肺結節。由於ct影象是乙個掃瞄序列，參賽者可能需要對多幀的結果進行融合。
疑似肺結節分類
找到疑似肺結節後，可以使用常見的影象分類演算法（如cnn等）對疑似肺結節進行分類，得出疑似肺結節是否為真正肺結節的概率。下圖是找到的肺結節例子。
相關評估指標
根據給出的座標資訊判斷結節是否檢測正確。如果結節落在以參考標準為中心半徑為r的球體中，則認為檢測正確。如果檢測到小於3mm的結節，賽題組既不認為是錯誤檢測也不認為是正確檢測。
根據提供的結節檢測概率，計算乙個froc曲線。sensitivity在1/8, 1/4, 1/2, 1, 2, 4和8一共7個不同的誤報情況下的平均值作為最終評判標準。
讀書筆記 學習方法 《深度學習的藝術》 採銅
在知乎上敬仰採銅老師很久，當得知他寫的一本關於學習方法的書 深度學習的藝術 上架之後，在亞馬遜中國 上購買了這本我人生中第一本付費購買的電子書。該讀書筆記並非完全按照原書敘述順序摘抄，而是經過本人的修改和整理而來。讀書筆記正文 所謂深度學習，顧名思義，就是學東西不只看到它浮在表面的東西，而是往深入去...
改進神經網路及深度學習的學習方法
常見的方法有 選取更好的代價函式，就是被稱為交叉熵代價函式 the cross entropy cost function 四種正則化方法 l1和 l2正則 dropout 訓練資料的擴充套件 一.交叉熵代價函式 考慮一下神經元的學習方式 通過計算代價函式的偏導 和 來改變權重和偏移。那麼我們說 學...
基於深度學習方法的語音識別研究（三）
前些天在師兄的幫助下，在此感謝工大的薛師兄，實現了blstm的語音識別聲學模型的搭建，由於實驗室存在保密協議，只能提供部分 還望各位同學體諒，如下 coding utf 8 author zhangwei import tensorflow as tf import numpy as np file...