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
62
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
DICOM RT Dose
higumalu
0
12
The GEMPix detector
higumalu
0
27
Respiratory Gating for Radiotherapy
higumalu
0
520
Cholescintigraphy
higumalu
0
120
DL in MRI
higumalu
0
87
Cardiac CT
higumalu
0
210
Class Report of PETCT Model
higumalu
0
46
淺談影像處理
higumalu
0
88
Tc99m
higumalu
0
130
Other Decks in Research
See All in Research
SSII2025 [SS1] レンズレスカメラ
ssii
PRO
2
1k
Delta Airlines® Customer Care in the U.S.: How to Reach Them Now
bookingcomcustomersupportusa
PRO
0
100
[CV勉強会@関東 CVPR2025] VLM自動運転model S4-Driver
shinkyoto
2
380
SSII2025 [TS2] リモートセンシング画像処理の最前線
ssii
PRO
7
3k
Mechanistic Interpretability:解釈可能性研究の新たな潮流
koshiro_aoki
1
370
Streamlit 総合解説 ~ PythonistaのためのWebアプリ開発 ~
mickey_kubo
1
1.2k
SSII2025 [TS1] 光学・物理原理に基づく深層画像生成
ssii
PRO
4
4k
20250725-bet-ai-day
cipepser
2
290
問いを起点に、社会と共鳴する知を育む場へ
matsumoto_r
PRO
0
480
EarthSynth: Generating Informative Earth Observation with Diffusion Models
satai
3
140
Generative Models 2025
takahashihiroshi
21
12k
GeoCLIP: Clip-Inspired Alignment between Locations and Images for Effective Worldwide Geo-localization
satai
3
270
Featured
See All Featured
Testing 201, or: Great Expectations
jmmastey
43
7.6k
The World Runs on Bad Software
bkeepers
PRO
70
11k
Gamification - CAS2011
davidbonilla
81
5.4k
Automating Front-end Workflow
addyosmani
1370
200k
Imperfection Machines: The Place of Print at Facebook
scottboms
267
13k
CSS Pre-Processors: Stylus, Less & Sass
bermonpainter
357
30k
Rebuilding a faster, lazier Slack
samanthasiow
83
9.1k
The Cult of Friendly URLs
andyhume
79
6.5k
GitHub's CSS Performance
jonrohan
1031
460k
Code Reviewing Like a Champion
maltzj
524
40k
Building Flexible Design Systems
yeseniaperezcruz
328
39k
Refactoring Trust on Your Teams (GOTO; Chicago 2020)
rmw
34
3.1k
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 higuma.lu@gmail.com
Q & A