ISIC2018比赛经验分享

最新推荐文章于 2024-03-25 20:09:22 发布
VIP文章 最新推荐文章于 2024-03-25 20:09:22 发布
阅读量1.2w 收藏 46
点赞数 10
分类专栏： 比赛心得 文章标签： 机器学习 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/a1054513777/article/details/82855950
版权

ISIC2018皮肤病分类比赛分享

比赛概况

2018年5月到7月28号，我们实验室（我们实验室的网址，欢迎加入我们实验室～）参与了由医学图像顶级会议MICCAI组织的2018 ISIC皮肤病理图像分割和分类比赛（比赛网址）。其中我和另外一个同学是参与了分类比赛，在最终的排行榜上取得了第三名的成绩(这个比赛每只队伍可以提交3个answer， 前三个answer是一只队伍。下面的第五名以及后续的第六名都是我们提交的结果。和前两名的差距个人感觉主要是在数据方面(╯﹏╰)。
比赛排行榜

分类比赛简介

这个比赛前期只给了训练集，训练集有10015张皮肤病理图像，有七类。每一类的名称和数量如下表格所示

疾病名称 图像数量
MEL 1113
NV 6705
BCC 514
最低0.47元/天 解锁文章
fatetail
关注
  • 10
    点赞
  • 踩
  • 46
    收藏
    觉得还不错? 一键收藏
  • 26
    评论
专栏目录
python---ISIC2018预处理---根据类别文件存储位置复制
weixin_42622504的博客
11-13 3641
python—预处理—根据类别文件存储位置复制 最近在学习卷积神经网络，第一步做标签环节。数据集采用的是ISIC-2018数据，由于所以数据存储在一个文件夹里如下图所示。 其分类信息保存在.csv文件中，如下图所示 我想要根据.csv文件的类别信息分别存储到不同的文件夹下，如下图所示。 import pandas as pd import os import shutil df=pd.r...
isic2018melanoma-segmentation
04-17
isic2018黑色素瘤分割
ISIC2018数据集分类预处理
qq_42903501的博客
10-05 820
因为给的数据集只有全部图像和标记的.csv文件，自己简单做了下归类。
神经网络分割模型-ISIC2018_Task01
05-11
简介：自行搭建的分割模型（2D-二分类任务），包括数据加载、预处理、训练、验证、测试和模型保存等功能。 数据集：数据集下载地址为官网，下载后按照数据加载方式自行放置在相应目录下即可。并且数据集也是公开的。如果找不到，可私信我。 包含：U-Net、AttenU-Net、R2AttU-Net三种常见网络模型，用户可自行下载其他网络放置在项目内进行对比实验。 环境：环境配置比较简单，python37环境下直接pip库就可。本项目使用了torch框架，比较简单易懂，没有很难理解的地方，比github上公开的论文代码要简单很多。 特色：可以根据预测和标签的边缘在原始图像中绘制出边界；可以对比多种不同类型的分割模型，可扩展性强；适合入手深度学习分割方向的新手；代码简单易懂，都是常用的方法，封装不严重，逻辑性强。下载的用户若有不懂的地方，可评论或者私信我，我会一一解答，咱们共同进步。 备注：自行搭建的代码，思路逻辑若与大佬的代码雷同，纯属巧合。本代码是我发论文用的代码的简化版本，论文还未正式发表，因此后续会尽快公开更全的代码。
ISIC2016、ISIC2017、ISIC2018
最新发布
weixin_45622568的博客
03-25 653
对于分类任务，共包含12 500 张图像，其中训练集共包含10 015 张图像7 类疾病，分别为光化性角化病（327）、基底细胞癌（514）、良性角化病（1 099）、皮肤纤维瘤（115）、黑色素瘤（1 113）、黑色素细胞性痣（6 705）、血管性皮肤病变（142）。验证集和测试集分别为193 和1 512 张图像。其中训练集图像有2 000 张，验证集和测试集分别有150 张图像和600 张图像，皮肤疾病图像颜色深度均为24 位，图像尺寸为767×576～6 621×4 441 不等。
Skin-Cancer-Segmentation-ISIC2018:CNN分割皮肤病变（黑色素瘤）
03-16
皮肤癌分割-ISIC2018 使用Unet和Mask R-CNN对皮肤病变（黑色素瘤）病变进行分割。 任务：病变分割 Unet：seg_unet.ipynb 损失：0.147 精度：0.946 jaccard_distance：0.723 灵敏度：0.878 特异性：0.97 面罩-RCNN：seg_mask_RCNN.ipynb
ISIC2018:ISIC 2018
05-03
ISIC 2018：黑色素瘤检测的皮肤病变分析 概括 更新：2018年7月15日，包括k倍验证以及验证/测试预测和提交。 该存储库为基于Keras / Tensorflow的ISIC-2018挑战的任务1和任务3提供了一个起始解决方案。 当前达到的性能是： 任务1 任务3 平均Jaccard的81.5％ 准确度达83％ 阈值Jaccard的77.2％ 平均召回率68.5％ 我们支持Keras支持的大多数骨干网（Inception，Densenet，VGG等）。 对于分段问题，我们还支持在U-Net类型结构中使用Keras预训练主干。 该代码是高度可配置的，允许您更改和尝试算法的许多方面。 下面，我们描述如何运行基准解决方案。 安装/设置 该代码使用：Python 3.5，Keras 2.1.6和TensorFlow 1.8.0。 请参阅需求文件以获取所需的软件包。 请
ISIC_2018_classification
04-29
该存储库包含ISIC 2018皮肤病变分类任务的代码： 可能的疾病类别为： Melanoma (MEL) Melanocytic nevus (NV) Basal cell carcinoma (BCC) Actinic keratosis / Bowen’s disease (intraepithelial carcinoma) (AKIEC) Benign keratosis (solar lentigo / seborrheic keratosis / lichen planus-like keratosis) (BKL) Dermatofibroma (DF) Vascular lesion (VASC) 用于训练的输入图像应放在一个包含班级特定文件夹的文件夹中：MEL，NV，BCC，AKIEC，BKL，DF，VASC python3 data_process.py将创建类特
ISIC数据集格式转换为NPY
qq_43916860的博客
05-09 668
本文实现的功能是将数据集的格式转换为.npy文件，代码以ISIC2018皮肤病变分割数据集为例，将原始数据尺寸resize成342x256，并将其图像.jpg格式文件和标签.png格式文件转换为.npy格式进行储存。进行数据格式转换前只需要修改原始数据的路径和转换后的.npy文件的保存路径。本文的原始ISIC2018训练集的路径为./ISIC2018_train下面image文件夹是训练图像，label文件夹是标签图像。
CSV多标签数据预处理+加上csv多标签转文件夹+ ISIC2018数据集分类预处理
qq_44504069的博客
11-19 2987
CSV多标签数据预处理+加上csv多标签转文件夹+ISIC2018数据集分类预处理
论文阅读（2）-用于皮肤病变分割的聚合多分辨率跳跃连接的深度卷积编解码器
peacefairy的博客
12-26 1104
目录Deep Convolutional Encoder-Decoders with Aggregated Multi-Resolution Skip Connections for Skin Lesion Segmentation摘要1、引言 Deep Convolutional Encoder-Decoders with Aggregated Multi-Resolution Skip Connections for Skin Lesion Segmentation 摘要 皮肤黑色素瘤的患病率正在迅速
VAE_ISIC2018:适用于miccai 2018 isic工作坊
05-02
获取数据集 在此处下载预处理数据 训练与测试 使用scripts/VAE_train.sh和scripts/VAE_test.sh 。 确保在项目根目录下启动脚本。
isic-challenge-scoring:ISIC 挑战的自动评分代码
05-30
ISIC：针对黑色素瘤检测评分的皮肤病变分析 自动评分代码。 安装 Python 需要 Python 版本 >= 3.8。 pip install isic-challenge-scoring 码头工人 docker pull isic/isic-challenge-scoring:latest 用法 Python 分割（任务 1） isic-challenge-scoring segmentation /path/to/ISIC_GroundTruth/ /path/to/ISIC_predictions/ 分类（任务 3） isic-challenge-scoring classification /path/to/ISIC_GroundTruth.csv /path/to/ISIC_prediction.csv 码头工人 由于应用程序需要对文件进行读取访问，因此它们到容器中
ISIC2018皮肤病分类数据集
BY_CSDN的博客
10-12 830
接下来可进行数据增强：如翻转，加噪，形态学操作等。构建7分类CNN模型进行训练。
开源的数据集
sigmoidAndReLU的博客
03-10 512
挑战赛数据集地址 https://challenge2018.isic-archive.com/
探索SAM在二维医学成像中的zero-shot能力(2023+Exploring the Zero-Shot Capabilities of theSegment Anything Model)
weixin_39699362的博客
07-31 481
这项研究中使用来自四种成像方式(x射线、超声、皮肤镜和结肠镜)的六个数据集的八种不同提示策略，评估了SAM 2D在医学成像中的零射击能力。结果表明，SAM的zero-shot是相当的，在某些情况下，优于目前最先进的技术。并且提出了一个实用的指导方针，它需要最小的交互，并在所有评估的环境中产生可靠的结果。
动作识别基于飞桨复现MVF
m0_63642362的博客
01-13 531
《MVFNet: Multi-View Fusion Network for Efficient Video Recognition》论文复现。复现精度：96.6%
MMAction2学习笔记 使用C3D训练测试自己的数据集
qq_29761909的博客
09-07 6126
使用mmaction2中的CSD算法，在自己的数据集上微调训练
isic 2018竞赛代码
07-14
### 回答1： ISIC 2018竞赛代码是指参与国际皮肤病图片分类挑战（ISIC 2018 Challenge）所需用到的计算机程序代码。ISIC 2018竞赛旨在通过机器学习和计算机视觉技术，帮助判断和分类皮肤病的照片。以下是关于ISIC 2018竞赛代码的一些说明： 首先，参赛者需要了解ISIC 2018竞赛的目标和参赛规则。代码的编写应该根据竞赛要求，使用相应的机器学习算法和计算机视觉技术来处理皮肤病图片。 一种常见的方法是使用卷积神经网络（CNN），这种网络结构在图像分类中表现出色。比如，可以使用流行的深度学习框架如TensorFlow或PyTorch来搭建CNN模型。 数据预处理也很重要，参赛者需要根据竞赛提供的训练集和验证集，对图像进行预处理，可能包括图像增强、裁剪、缩放等操作。 在代码中，参赛者需要实现模型的训练过程，包括加载数据集、定义模型结构和超参数，然后使用训练数据训练模型，并通过验证数据调优模型。 在模型训练完成后，参赛者需要对测试集中的图像进行预测。预测过程可以使用训练好的模型对测试图像进行分类，得到最终的结果。 除了模型的建立和训练，代码也需要考虑到结果的可视化和评估。例如，在训练过程中可以记录模型的损失和准确率，以便制作训练曲线图。此外，参赛者还可以使用评估指标如准确率、召回率、F1分数等来评估模型的性能。 总之，ISIC 2018竞赛代码是根据竞赛要求和机器学习技术编写的一套计算机程序，用于实现皮肤病图片分类的自动化处理。代码的编写需要熟悉机器学习算法和计算机视觉技术，并结合竞赛提供的数据集进行训练、测试和评估。 ### 回答2： ISIC 2018竞赛是一个关于皮肤病诊断的竞赛，旨在通过机器学习算法和人工智能技术，提高皮肤病的诊断准确性和效率。竞赛要求参赛者使用提供的数据集，开发一个能够自动识别皮肤病的算法。 竞赛代码可以分为几个主要部分。首先，需要进行数据的预处理。这包括读取和加载数据集，对数据进行清洗和去噪，以及将数据分成训练集和测试集。预处理还包括对图像进行增强和标准化，以提高模型的鲁棒性。 接下来，需要选择适当的机器学习模型，并进行模型的训练和优化。常见的模型包括卷积神经网络（CNN）和支持向量机（SVM）。模型的训练过程通常包括前向传播、反向传播和参数更新等步骤，以最小化损失函数。 在模型训练完成后，需要对测试集进行预测并评估模型的性能。常用的评估指标包括准确率、精确率、召回率和F1值等。通过这些指标，可以评估模型对不同皮肤病的识别效果，并进一步优化模型。 最后，可以使用训练好的模型对新的未知数据进行预测，以实现自动化的皮肤病诊断。这个过程涉及将新的皮肤图像输入模型，并利用模型的输出判断病情。 总的来说，ISIC 2018竞赛的代码需要进行数据的预处理、模型的训练和优化、性能评估以及预测等步骤，以实现准确的皮肤病诊断。实现这些步骤需要熟悉机器学习和深度学习的相关算法和工具，以及对皮肤病的病理特征有一定的了解。通过不断优化算法和模型，可以提高皮肤病诊断的准确性和效率。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 26
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值