Generate Abnor Echo Image

2018SMIRS內容

Transcript

1. 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. 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. 3 <研究動機>
5. 5 “NORMAL”
6. 6 <目的>
7. 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. 8 <材料與方法>
9. 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. 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
12. 12 < method_01.bmp> 1400
13. 13 < method_02.bmp > 1400 NORMAL X1000 ABNORMAL X400
14. 14 < method_03.bmp> NORMAL X1000 X1600
15. 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. 16 < method_05_validation_data.bmp> NORMAL 200 ABNORMAL (100+100) X400 validation
17. 17 < method_06_train_CNN.py>
18. 18 < method _07_predict_CNN.py > softmax() “NORMAL” “ABNORMAL”
19. 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. 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. 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. 22 <結果>
23. 23 < result> ➢ F-measure ➢ ROC curve with AUC (receiver operating characteristic curve)
24. 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. 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. 26 < result03_ROC.bmp>
27. 27 <結論與討論>
28. 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. 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?
30. THANKS FOR LISTENING github.com/higumalu higuma.lu@gmail.com
31. Q & A