Upgrade to Pro — share decks privately, control downloads, hide ads and more …

Generate Abnor Echo Image

Tsung-Yung Lu
September 28, 2018

Generate Abnor Echo Image

2018SMIRS內容

Tsung-Yung Lu

September 28, 2018
Tweet

More Decks by Tsung-Yung Lu

Other Decks in Research

Transcript

  1. 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>
  2. 4

  3. 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)
  4. 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
  5. 11

  6. 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
  7. 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
  8. 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
  9. 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)
  10. 23 < result> ➢ F-measure ➢ ROC curve with AUC

    (receiver operating characteristic curve)
  11. 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