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
410
Cholescintigraphy
higumalu
0
100
DL in MRI
higumalu
0
81
Cardiac CT
higumalu
0
160
Class Report of PETCT Model
higumalu
0
29
淺談影像處理
higumalu
0
72
Tc99m
higumalu
0
120
Other Decks in Research
See All in Research
The Fellowship of Trust in AI
tomzimmermann
0
130
20240820: Minimum Bayes Risk Decoding for High-Quality Text Generation Beyond High-Probability Text
de9uch1
0
120
非ガウス性と非線形性に基づく統計的因果探索
sshimizu2006
0
370
MIRU2024_招待講演_RALF_in_CVPR2024
udonda
1
330
Tietovuoto Social Design Agency (SDA) -trollitehtaasta
hponka
0
2.5k
[ECCV2024読み会] 衛星画像からの地上画像生成
elith
1
680
秘伝:脆弱性診断をうまく活用してセキュリティを確保するには
okdt
PRO
3
740
Geospecific View Generation - Geometry-Context Aware High-resolution Ground View Inference from Satellite Views
satai
1
100
Weekly AI Agents News! 10月号 プロダクト/ニュースのアーカイブ
masatoto
1
120
20240918 交通くまもとーく 未来の鉄道網編(こねくま)
trafficbrain
0
230
Weekly AI Agents News! 7月号 論文のアーカイブ
masatoto
1
230
Isotropy, Clusters, and Classifiers
hpprc
3
630
Featured
See All Featured
Designing the Hi-DPI Web
ddemaree
280
34k
Measuring & Analyzing Core Web Vitals
bluesmoon
4
130
The Myth of the Modular Monolith - Day 2 Keynote - Rails World 2024
eileencodes
16
2.1k
Build your cross-platform service in a week with App Engine
jlugia
229
18k
Reflections from 52 weeks, 52 projects
jeffersonlam
346
20k
The Illustrated Children's Guide to Kubernetes
chrisshort
48
48k
10 Git Anti Patterns You Should be Aware of
lemiorhan
655
59k
Building an army of robots
kneath
302
43k
Art, The Web, and Tiny UX
lynnandtonic
297
20k
A Modern Web Designer's Workflow
chriscoyier
693
190k
The Power of CSS Pseudo Elements
geoffreycrofte
73
5.3k
Making Projects Easy
brettharned
115
5.9k
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