Skip to content

Latest commit

 

History

History
195 lines (110 loc) · 6.22 KB

README.md

File metadata and controls

195 lines (110 loc) · 6.22 KB

📝 2019.4.23

在上上次的基础上。

  1. 先切割出病变区域，再进行resize，再旋转。
  2. 记录loss值，并画出曲线图
  3. 学习率初值可以考虑1e-2/1e-2，考虑如何衰减，由于lr不合理，所以有振荡情况。尝试多种组合。
  4. 超参数可能需要适当调整
  5. epoch太少，200+比较合理
  6. 测试集不进行任何处理
  7. 三个步骤：
    1. 先什么都不加
    2. 加class_weight
    3. 加augmentation
  8. class_weihght: $$/frac{1/n_i}{1/n1 + 1/n2 + 1/n3}$$

📝 2019.4.16

1 注意事项

  • 以病人为单位分 slides
  • 合并数据集 1、2 (CC_ROI and 6_ROI)
  • 考虑 2D CNN 的多通道输入（3通道）
  • 对于死亡的病人，分别做：
    • 去掉其他（非肿瘤）死亡原因的病人
    • 不去掉

2 类别均衡

  • 数据角度：

    在训练时实时做数据增广，用 pytorch 的函数

    不要先增广再训练。

  • 算法角度：修改 loss function, 设置 class weight

3 Augmentation​

训练前：

尝试 pytorch 的其他 augmentation

对于每张图，先 rotate，再 crop，rotate 的角度在 [-90°, 90°] 之间，每15度 rotate 一次。

注意： 这不是为了解决类别均衡，只是增加了数据量

测试时： 分别对测试图片的原图、rotate 后、crop 后等处理的图片分别预测。然后用 voting 或 probability 的方法集成它们。

4 Cross Validation

K-fold validation

每一类分成 5 个 fold，交叉验证，看是否某一个 fold 效果差。

train : test = 8 : 2

注意： 按病人来分 fold，这里不需要保证每个 fold 的 slides 数量一样多

5 加入其他信息

其他信息有性别、年龄等，性别是二值的（0、1），年龄是多值的（0~100等），无法进行归一化，要考虑这个问题。

加其他医疗信息，在 ResNet 的 global average pooling 层与最后的 fc 层之间，加入一个 fc 层

📝 2019.4.4

1 模型选择

  • 选择 ResNet 模型

  • 考虑使用预训练的模型

  • 优化器用 SGD

2 数据集预处理

2.1 样本筛选

对每个病人，去掉没有肿瘤标记的slide，只选取有肿瘤标记的slide作为数据样本。

考虑是否以某一阈值 P 作为每张slide筛选的条件，即对于某一张slide：

  • 肿瘤标记的像素点数量n > P : 则作为数据样本;
  • 肿瘤标记的像素点数量n <= P : 则去掉这张slide;

2.2 spacing与分辨率问题

统计不同分辨率的图片分别有多少，不同spacing的图片分别有多少。

统计每个病人每张slide的spacing，2D处理时只考虑xy方向，更具excel表中spacing的倒数这一属性，对每一张slide进行resize （具体操作还不清楚，如何根据spacing进行resize） 。

以小分辨率为基准进行resize，

2.3 切割

遍历所有图像后得到肿瘤的最大高度Hmax和宽度Wmax，得到一个切割box的高H和宽W（均略大于Hmax和Wmax，H=W），利用这个box对每张筛选后的slide进行切割，切割出只肿瘤附近的区域。

切割后再进行scale，因为经典ResNet的预训练模型等的输入为24×24。考虑如何裁剪。

pytorch有这一部分crop的函数。

2.4 正则化

pytorch的norm

均值：统计训练集（或是所有数据集）每一个样本每一个像素值求均值;

方差：同上求方差;

预处理的每一步操作后都将图片打印出来看一看。

3 训练集与测试集选择

  • 方法1 (数据角度)：
    • 测试集与训练集的每种类别的样本数的之间的比例相同，例如：
      • 测试集中：30%的类别0、30%类别1、30%的类别2
      • 训练集中：70%的类别0、70%类别1、70%的类别2
      • 这里的百分比是相对于总数据集的每一种类别的样本数
  • 方法2 (算法角度)：
    • class-weight：（不是很懂？？？）
      • 例如训练集的每种类别的样本数比例为10-5-2，则测试集的比例为2-5-10;

add by Wu

解决数据类别分布不均的问题。参考网上的博客，ideas:

  • 数据角度：
    • 数据重采样。随机欠采样，随机过采样
    • 类别平衡采样。每个送进去训练的 batch 按类别平衡采样。
  • 算法角度：
    • 代价敏感学习。当把少数类样本预测错误时，增大惩罚和损失的力度等。

4 评估

  • 统计每一个类别的准确率（如混淆矩阵）;

  • 记录每一个病人的每一张slide的预测结果（包括标签），记录每一个病人的所有slide的预测结果的三种类别的分数‘/概率 均值、分布等;

  • 首先保证训练集上的准确率达到98%+，然后再去保证测试集的准确率达到97%+;

2D CNN 实现过程记录

2019.3.30

1 Done：

  • 写好了加载数据、训练与测试等基本框架
  • 使用 VGG11，成功使代码运行起来，并保存模型

2 总结体会：

  • 在训练过程中，做好日志输出。

    日志记录训练过程中的各种各样的信息，出现问题时也方便解决。而 python 里的 logging 模块已经帮我们把这些工作封装好了。

  • 要注意保存模型。

    训练模型的代码中，应使用 try, catch 来捕获异常，当有异常抛出时，保存好模型再退出。特别是，训练过程中按 ctrl + C 结束，也能保存好模型再退出。

    也可以每训练完一个 epoch 就保存一次模型，模型文件名写上 accuracy

3 遇到的问题：

  • 数据类别分布很不均匀，数据共3类，类别 0 占数据的 80%，而类别 1、2 仅占20%，类别 2 数据稀少。这样训练出来的模型，虽然显示在测试集上的 Accuracy 有 80%，但是显然，这非常不可靠。

4 TODO:

  • 解决数据类别分布不均的问题。参考网上的博客，ideas:
    • 数据角度：
      • 数据重采样。随机欠采样，随机过采样
      • 类别平衡采样。每个送进去训练的 batch 按类别平衡采样。
    • 算法角度：
      • 代价敏感学习。当把少数类样本预测错误时，增大惩罚和损失的力度等。
  • 完善模型。考虑添加正则项，防止模型过拟合，特别当模型层数较多时。
  • 尝试其他 CNN 模型，ResNet等。
  • 对 bounding box (抠出病变区域) 的数据进行训练与测试