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
40
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
16
Respiratory Gating for Radiotherapy
higumalu
0
400
Cholescintigraphy
higumalu
0
100
DL in MRI
higumalu
0
78
Cardiac CT
higumalu
0
150
Class Report of PETCT Model
higumalu
0
29
淺談影像處理
higumalu
0
72
Tc99m
higumalu
0
110
Other Decks in Research
See All in Research
Language is primarily a tool for communication rather than thought
ryou0634
4
720
Online Nonstationary and Nonlinear Bandits with Recursive Weighted Gaussian Process
monochromegane
0
260
Active Adaptive Experimental Design for Treatment Effect Estimation with Covariate Choices
masakat0
0
210
論文紹介/Expectations over Unspoken Alternatives Predict Pragmatic Inferences
chemical_tree
1
250
LLM時代にLabは何をすべきか聞いて回った1年間
hargon24
1
480
20240918 交通くまもとーく 未来の鉄道網編(太田恒平)
trafficbrain
0
160
Y.Morita_20240726_JBUG_Fukuoka#18
ymorita613
0
270
湯村研究室の紹介2024 / yumulab2024
yumulab
0
240
第60回名古屋CV・PRMU勉強会:CVPR2024論文紹介(Vision Transformer)
waka_90b
1
200
JMED-LLM: 日本語医療LLM評価データセットの公開
fta98
5
1.2k
ニューラルネットワークの損失地形
joisino
PRO
35
15k
「Goトレ」のご紹介
smartfukushilab1
0
740
Featured
See All Featured
CSS Pre-Processors: Stylus, Less & Sass
bermonpainter
355
29k
The Illustrated Children's Guide to Kubernetes
chrisshort
48
48k
Testing 201, or: Great Expectations
jmmastey
38
7k
The Pragmatic Product Professional
lauravandoore
31
6.3k
Let's Do A Bunch of Simple Stuff to Make Websites Faster
chriscoyier
504
140k
Put a Button on it: Removing Barriers to Going Fast.
kastner
59
3.5k
Fantastic passwords and where to find them - at NoRuKo
philnash
50
2.8k
The Art of Delivering Value - GDevCon NA Keynote
reverentgeek
7
150
Evolution of real-time – Irina Nazarova, EuRuKo, 2024
irinanazarova
4
290
Building Your Own Lightsaber
phodgson
102
6k
The Invisible Side of Design
smashingmag
297
50k
Why Our Code Smells
bkeepers
PRO
334
57k
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