Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
Generate Abnor Echo Image
Search
Tsung-Yung Lu
September 28, 2018
Research
0
53
Generate Abnor Echo Image
2018SMIRS內容
Tsung-Yung Lu
September 28, 2018
Tweet
Share
More Decks by Tsung-Yung Lu
See All by Tsung-Yung Lu
The GEMPix detector
higumalu
0
20
Respiratory Gating for Radiotherapy
higumalu
0
490
Cholescintigraphy
higumalu
0
110
DL in MRI
higumalu
0
84
Cardiac CT
higumalu
0
190
Class Report of PETCT Model
higumalu
0
43
淺談影像處理
higumalu
0
79
Tc99m
higumalu
0
120
Other Decks in Research
See All in Research
AIトップカンファレンスからみるData-Centric AIの研究動向 / Research Trends in Data-Centric AI: Insights from Top AI Conferences
tsurubee
3
2.1k
Weekly AI Agents News! 12月号 論文のアーカイブ
masatoto
0
250
Weekly AI Agents News!
masatoto
32
59k
CoRL2024サーベイ
rpc
2
1.8k
Batch Processing Algorithm for Elliptic Curve Operations and Its AVX-512 Implementation
herumi
0
130
さくらインターネット研究所 アップデート2025年
matsumoto_r
PRO
0
430
Neural Fieldの紹介
nnchiba
2
810
CARMUI-NET:自動運転車遠隔監視のためのバーチャル都市プラットフォームにおける通信品質変動機能の開発と評価 / UBI85
yumulab
0
110
20250226 NLP colloquium: "SoftMatcha: 10億単語規模コーパス検索のための柔らかくも高速なパターンマッチャー"
de9uch1
0
250
rtrec@dbem6
myui
6
630
Optimal and Diffusion Transports in Machine Learning
gpeyre
0
1.4k
Data-centric AI勉強会 「ロボットにおけるData-centric AI」
haraduka
0
510
Featured
See All Featured
How to Create Impact in a Changing Tech Landscape [PerfNow 2023]
tammyeverts
51
2.4k
Practical Tips for Bootstrapping Information Extraction Pipelines
honnibal
PRO
16
1.1k
Visualizing Your Data: Incorporating Mongo into Loggly Infrastructure
mongodb
45
9.5k
Site-Speed That Sticks
csswizardry
4
450
Sharpening the Axe: The Primacy of Toolmaking
bcantrill
40
2k
Building Flexible Design Systems
yeseniaperezcruz
328
38k
Building Your Own Lightsaber
phodgson
104
6.3k
10 Git Anti Patterns You Should be Aware of
lemiorhan
PRO
656
60k
Keith and Marios Guide to Fast Websites
keithpitt
411
22k
What’s in a name? Adding method to the madness
productmarketing
PRO
22
3.4k
YesSQL, Process and Tooling at Scale
rocio
172
14k
Learning to Love Humans: Emotional Interface Design
aarron
273
40k
Transcript
生成非正常腎臟超音波影像 提升分類準確性之研究 假體實驗 報告者:義守大學 醫學影像暨放射科學系 盧宗詠 2018/09/29
2 <over view> ➢ 研究動機 < motive> ➢ 目的 <purpose>
➢ 材料與方法 < method> ➢ 結果 <result> ➢ 結論與討論 <conclusion>
3 <研究動機>
4
5 “NORMAL”
6 <目的>
7 <purpose> ➢ 解決影像資料集過少的問題 ➢ 比較人為產生的非正常影像 與實際非正常影像 經由神經網路訓練後的優缺分析 ➢ 探討人為加工的醫學影像是否有助於診斷輔
助系統的開發
8 <材料與方法>
9 < materials > Sonosite 180+ 手提式超音波儀 C60
(5-2MHz) Transducer US-1B ABDFAN腹部超音波假體 造影角度不限,深度為12與15公分之 右腎影像,總計蒐集1400張 (合成影像總計生成1600張)
10 < method> 將影像選取ROI並且正規化 從原始影像資料集隨機取出部分影像並透 過自行編寫的matlab程式加工成非正常影像 建立四組資料集以便於進行訓練與驗證
透過卷積神經網絡建立三種判斷模型 CNN模型具有三個2D卷積層(濾波數分別為32、64、128個, 卷積核大小5*5、3*3、3*3)、三個激活層(其激活函數皆使 用ReLU、三個池化層(池化窗口大小皆為3,3) 藉由驗證資料集比較三種模型的差異 繪製分析圖以方便觀察結果
11
12 < method_01.bmp> 1400
13 < method_02.bmp > 1400 NORMAL X1000 ABNORMAL X400
14 < method_03.bmp> NORMAL X1000 X1600
15 < method_04_train_data.bmp> 1.正常 +非正常 (1100) 2.正常 +合成影像 (2300) 3.正常
+(非正常+合成) (2600) NORMAL X800 ABNORMAL X300 NORMAL X800 ABNORMAL X1500 NORMAL X800 ABNORMAL X1800
16 < method_05_validation_data.bmp> NORMAL 200 ABNORMAL (100+100) X400 validation
17 < method_06_train_CNN.py>
18 < method _07_predict_CNN.py > softmax() “NORMAL” “ABNORMAL”
19 < method_08 _ROC.py > ➢ TP (true positive):分類為非正常,實際上為非正常 ➢
TN (true negative):分類為正常實際上為正常 ➢ FP (false positive):分類為非正常,實際上為正常 ➢ FN (false negative):分類為正常,實際上為非正常
20 < method_09_ROC.py > ➢ 準確度,accuracy: 分類正確的比率 ➢ 敏感度, sensitivity:
非正常被分類成非正常的比率(有病判有病) ➢ 錯誤命中率: 正常被分類成正常的比率(沒病判沒病) ➢ 特異度, specificity : 正常被分類為非正常的比率(沒病判有病) ➢ 陽性預測值 :被分類為非正常,實際上為非正常的比率 ➢ F-measure(F度量,F1) :一種同時兼顧查準率(precision)與查全率 (recall)的度量方式,應用於資訊檢索(information retrieval)領域 的成效評估
21 < method_10_ROC.py> ➢ TPR(敏感度, sensitivity) = TP / P
➢ FPR(錯誤命中率) = FP / N ➢ F-measure(F度量,F1) = (2 x TPR x PPV) / (TPR + PPV)
22 <結果>
23 < result> ➢ F-measure ➢ ROC curve with AUC
(receiver operating characteristic curve)
24 < result02.bmp> nor+abnor nor+syn nor+(abnor+syn) True Positive 116 168
198 True Negative 198 157 158 False Positive 2 43 42 False Negative 84 32 2 accuracy 0.785 0.8125 0.89 sensitivity 0.58 0.84 0.99 specificity 0.99 0.785 0.79 false alarm rate 0.01 0.215 0.21 F-measure 0.7295 0.8175 0.9
25 < result01.bmp> nor+abnor nor+syn nor +(abnor+syn) TPR 0.58 0.84
0.99 FPR 0.01 0.215 0.21
26 < result03_ROC.bmp>
27 <結論與討論>
28 < conclusion > ➢ 生成影像能夠有效的解決非正常影像資料 量不足的問題 ➢ 生成影像作為訓練資料可以提升分類模型 的準確性
29 < discussion > ➢ 使用更為複雜的神經網路或者不同的影像生成 方式是否能使準確度提升? ➢ 若生成影像由專業的臨床醫師設計是否能使準 確度更高?
➢ 是否有更好的辦法能夠有效的提升預測模型的 準確度?
THANKS FOR LISTENING github.com/higumalu
[email protected]
Q & A