Generate Abnor Echo Image

Slide 1

Slide 1 text

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

Slide 2

Slide 2 text

2 ➢ 研究動機 < motive> ➢ 目的 ➢ 材料與方法 < method> ➢ 結果 ➢ 結論與討論

Slide 3

Slide 3 text

3 <研究動機>

Slide 4

Slide 4 text

Slide 5

Slide 5 text

5 “NORMAL”

Slide 6

Slide 6 text

6 <目的>

Slide 7

Slide 7 text

7 ➢ 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

Slide 8

Slide 8 text

8 <材料與方法>

Slide 9

Slide 9 text

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)

Slide 10

Slide 10 text

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

Slide 11

Slide 11 text

Slide 12

Slide 12 text

12 < method_01.bmp> 1400

Slide 13

Slide 13 text

13 < method_02.bmp > 1400 NORMAL X1000 ABNORMAL X400

Slide 14

Slide 14 text

14 < method_03.bmp> NORMAL X1000 X1600

Slide 15

Slide 15 text

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

Slide 16

Slide 16 text

16 < method_05_validation_data.bmp> NORMAL 200 ABNORMAL (100+100) X400 validation

Slide 17

Slide 17 text

17 < method_06_train_CNN.py>

Slide 18

Slide 18 text

18 < method _07_predict_CNN.py > softmax() “NORMAL” “ABNORMAL”

Slide 19

Slide 19 text

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

Slide 20

Slide 20 text

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

Slide 21

Slide 21 text

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)

Slide 22

Slide 22 text

22 <結果>

Slide 23

Slide 23 text

23 < result> ➢ F-measure ➢ ROC curve with AUC (receiver operating characteristic curve)

Slide 24

Slide 24 text

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

Slide 25

Slide 25 text

25 < result01.bmp> nor+abnor nor+syn nor +(abnor+syn) TPR 0.58 0.84 0.99 FPR 0.01 0.215 0.21

Slide 26

Slide 26 text

26 < result03_ROC.bmp>

Slide 27

Slide 27 text

27 <結論與討論>

Slide 28

Slide 28 text

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

Slide 29

Slide 29 text

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?