脑PET图像分析和疾病预测方案总结

herosunly

已于 2022-06-16 22:58:10 修改

阅读量5.6w

点赞数 25

分类专栏： AI比赛教程文章标签： PET 老年痴呆症机器学习

于 2020-12-01 08:58:50 首次发布

本文链接：https://blog.csdn.net/herosunly/article/details/110419788

版权

AI比赛教程专栏收录该内容

69 篇文章 442 订阅 ¥89.90 ¥99.00

订阅专栏

文章目录

1. 方案一
2. 方案二
3. 方案三

1. 方案一

1.1 竞赛介绍

赛题背景：脑PET图像可用于早期阿尔茨海默综合症的病灶检测，有助于提前介入治疗，从而延缓发病，对后续患者康复治疗有着积极的意义。因此本赛题以阿尔茨海默综合症为例对脑PET图像进行分析与疾病预测。
竞赛任务：基于脑PET图像，参赛者需根据提供的样本构建模型，对阿尔茨海默综合症进行分析和预测。
竞赛数据：

类别	解释	训练集大小(张)
CN	正常老年人	1000+3000
AD	阿尔茨海默综合症患者	1000+3000
MCI	轻度认知障碍患者	4000

最终成绩：
- 初赛：二分类(AD & CN)，F1 Socre为 0.981/Top 2
- 复赛：三分类(AD & CN & MCI)，F1 Socre为 0.987/Top 1

了解本专栏

订阅专栏解锁全文

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

herosunly

关注关注

25
点赞
踩
24

收藏

觉得还不错? 一键收藏
打赏
13
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

订阅专栏

【深度学习-图像识别】脑PET图像分析和疾病预测Baseline

梁瑛平的博客

06-30

5380

【深度学习-图像识别】脑PET图像分析和疾病预测比赛简介：Baseline：1. 读取数据2. 定义数据加载器：3. 构建模型：4. 训练模型：5. 生成预测结果：最终提交结果：这里提供一个baseline；比赛简介：比赛地址：http://challenge.xfyun.cn/topic/info?type=PET 数据长这个样子： Baseline： 1. 读取数据 base = './train' count = 0 with open(os.path.join('train_list.t

Python深度学习实践：深度学习在医学图像分析中的运用

最新发布

程序员光剑

08-20

821

医学图像分析是现代医学领域中不可或缺的一部分，它涵盖了从诊断到治疗的各个环节。医学图像的质量受多种因素影响，例如成像设备、患者解剖结构、成像参数等，这会导致图像噪声、伪影、分辨率低等问题。医学图像的标注需要专业的医学知识和经验，这使得数据标注成本高昂。医学图像包含敏感的患者信息，需要严格保护数据隐私和安全。医学图像数据分布复杂，算法的泛化能力是关键问题。# Encoder# Decoder深度学习模型的可解释性是未来的重要研究方向，有助于提高模型的可靠性和可信度。

13 条评论您还未登录，请先登录后发表或查看评论

脑PET图像分析和疾病预测挑战赛代码笔记

m0_46392159的博客

08-18

276

对PET文件提取特征# 加载PET图像数据# 获取第一个通道的数据# 随机筛选其中的10个通道提取特征# 对图片计算统计值feat = [= 0).sum(), # 非零像素的数量(random_img == 0).sum(), # 零像素的数量random_img.mean(), # 平均值random_img.std(), # 标准差len(np.where(random_img.mean(0))[0]), # 在列方向上平均值不为零的数量。

脑PET图像分析和疾病预测-深度学习Baseline

ZTBztb123456的博客

08-21

399

当涉及图像识别、计算机视觉和模式识别等任务时，卷积神经网络（Convolutional Neural Network，CNN）是一种强大的深度学习模型。CNN 具备自动学习和提取图像中的特征的能力，并在各种任务，如分类、定位和分割等方面取得了卓越的性能。了解了卷积神经网络（CNN）在医学图像分类任务中的关键步骤。CNN以其在图像处理领域的卓越性能而闻名，广泛应用于图像识别、计算机视觉和模式识别等领域。CNN能够自动学习和提取图像中的特征，使其在各种图像相关任务中表现出色。附上本次学习的代码，供复习查看。

脑PET图像分析和疾病预测挑战赛baseline——结果可达0.76左右——科大讯飞2020年度开发者大赛

bigcindy的博客

08-07

3971

大赛网址：http://challenge.xfyun.cn/topic/info?type=PET 赛事说明及要求请查看上面网址。数据下载需要实名认证，这里提供[百度网盘下载地址] （提取码：4hz2）。赛题数据赛题数据分训练集和测试集。训练集分CN和AD两种类别的图像，每个类别一个文件夹共1千张，因此训练集共2千张图像。测试集有1千张图像，当然是没有标签的，需要我们训练模型预测是AD还是CN，结果以CSV形式提交。大赛网站提供了提交模板。赛题图像如上所示，注意有两种大...

脑PET图像分析与疾病预测 - nii文件数据处理与简单CNN训练

Steve8310的博客

07-21

2762

笔者正在Datawhale举办的AI夏令营中参与CV方向的学习，研究课题为发布在讯飞AI开发者大赛上的，需要对nii格式的医学影像文件进行学习，并进行疾病预测第一轮学习中，Datawhale团队给出了，但其中并没有对nii文件进行详细介绍；且为了适配logistic回归模型，并缩小数据规模，其数据处理过程（个人认为）产生了不可忽视的信息丢失，直接导致预测的准确度仅略高于0.5——这跟瞎猜也没啥区别了吧……

科大讯飞2020脑PET图像分析和疾病预测---单模型进决赛前五

热门推荐

qq_40150072的博客

11-01

7万+

脑PET图像分析和疾病预测挑战赛复赛经验分享1. 算法名称2. 算法描述2.1 算法思想2.1.1对数据进行裁剪处理2.1.2 数据增强2.1.3 标签平滑2.1.4 迭代交叉验证2.1.5 迁移学习2.2 流程图3 算法实现3.1 参数设置3.1.1 数据裁剪部分3.1.2 数据增强部分3.1.3 网络训练部分3.2 实现平台4 结果和分析前言经过半个多月的激烈上分，尤其是最后一天，我们团队（我也来试试）最终得到复赛第五的成绩0.97352，虽然没有前三，但第一次参加这种比赛，收获了很多经验。比赛官

脑PET图像分析和疾病预测Baseline精读

m0_57173763的博客

07-22

448

在数据集准备时，我们用到了一个重要的库，nibabel用于加载和处理医学图像数据，nibabel库是专门对一些常见医学和神经影像文件格式的读写访问，一个nibabel图像由三个方面组成，3d或4d图像数据数组，一个告知图像数组在引用空间中的位置的仿射数组，描述图像的图像元数据，通常以图像头部的形式。加载PET图像数据，并从中随机选择10个通道。本次使用了逻辑回归模型对PET图像进行了分类，我们知道关于分类模型，我们还可以用到决策树，支持向量机，cnn等，这些我都会在后面一一尝试，尽可能提高模型的分数。

科大讯飞AI开发者大赛-脑PET图像分析和疾病预测挑战赛算法挑战大赛.zip

06-30

kaggle实战案例，赛事课题内容，解决方案汇总，机器学习、人工智能案例参考。 kaggle实战案例，赛事课题内容，解决方案汇总，机器学习、人工智能案例参考。kaggle实战案例，赛事课题内容，解决方案汇总，机器学习、...

深度学习PET预测阿尔茨海默病诊断特征的准确性及荟萃分析

医学信息学解锁25（2021）100710深度学习模型辅助的淀粉样蛋白正电子发射断层扫描预测阿尔茨海默病的准确性和荟萃分析Kiarash Shirbandia，**，Mohammad Khalirb，Mohammad Mirza-Aghazadeh-Attaric， Marziyeh ...

深度学习脑部图像分割

01-17

深度学习脑部肿瘤图像分割代码，python 包括图像预处理数据增强，数据生成，网络训练，测试结果

人工智能和深度学习在PET和SPECT成像中的潜力.docx

04-23

PET可以提供高灵敏度和高空间分辨率的图像，适用于肿瘤学、神经科学等领域。 - **SPECT成像**：采用单光子发射同位素标记的放射性药物，通过旋转探测器收集γ射线信号并重建图像。虽然其空间分辨率不如PET，但成本较...

图像分析在医疗诊断中的突破：疾病检测与辅助诊断

图像分析技术在疾病检测、辅助诊断和治疗规划中都有着广泛的应用。图像分析过程通常包括图像采集、预处理、分割、特征提取、分类和识别等步骤。图像采集设备和技术的选择至关重要，它决定了图像的质量和信息含量。...

[Datawhale]夏令营第一期----脑PET图像分析和疾病预测挑战赛

qq_65163410的博客

07-22

1187

本篇baseline介绍了如何使用Python编程语言和机器学习库处理脑PET图像数据，并构建逻辑回归模型来进行脑PET图像的疾病预测。特征提取是一个关键步骤，通过合适的特征提取方法，可以更好地表征图像数据。逻辑回归模型在本例中是一个简单而有效的分类器，但在实际应用中，可能需要更复杂的深度学习模型来提高预测性能。

脑PET图像分析和疾病预测-统计方法Baseline

ZTBztb123456的博客

08-17

200

最后，采用投票策略，选出每个样本的最终类别，生成提交结果。这个代码片段展示了数据预处理、特征提取、模型训练和结果生成等关键步骤，为实际数据分析和分类任务提供了一定的指导。生成提交结果：将预测结果整理为一个 DataFrame，包括样本ID和预测类别，然后按照样本ID排序，并保存为 CSV 文件。预测和投票：使用训练好的模型对测试集的特征进行预测，然后将每个样本的多次预测结果进行投票，选出最多的类别作为最终预测类别。注意：实际使用中，需要考虑数据的质量、特征的选择、模型的调优等因素，以获得更准确的分类结果。

脑PET图像分析与疾病预测挑战

m0_52647764的博客

07-22

223

讯飞脑PET图像分析与疾病预测挑战比赛，使用CNN（resnet18）的baseline进行联系

Datawhale-AI夏令营:脑PET图像分析和疾病预测挑战赛baseline解读

m0_68165821的博客

07-23

296

这段代码是一个完整的深度学习模型训练和预测的流程。下面我会逐步解释每个步骤的作用。首先，这段代码导入了必要的库，包括PyTorch、numpy、pandas等。接着，打印出CUDA版本和是否可用GPU，并将模型部署到GPU上（如果可用）。接下来是数据预处理的部分。通过glob.glob函数获取训练和测试图像的路径，并对其进行随机化。然后定义了一个自定义的Dataset类XunFeiDataset，用于读取和处理图像数据。在__getitem__方法中，首先检查数据是否已经加载过，如果已经加载过则直接使用，否

脑PET图像分析和疾病预测挑战赛-DataWhaleAI训练营第一期CV方向

rangpin的博客

07-30

323

其他还有一些代码细节，不再赘述，后面有时间再细化，主要是折腾了一周，只是勉强超过大多数同学直接全NC的结果，所以感觉也没很好的方案进行分享。以上类似于对别人方案的复现与思考供大家参考。总体上来看，代码的重点应该还是在数据预处理与数据增强上。此外，本来想从多模态方向进行优化，例如结合频域与像素域信息，或者图像与文本信息，采用CLIP等模型进行试验，但时间和水平有限（主要是组会压力太大，摆.jpg），所以没来得及做，后续做了再补充，应该也有一定的效果。

深度学习实战-Datawhale第三期CV：脑PET图像分析和疾病预测挑战赛

cfy2401926342的博客

08-18

360

样本ID从文件名中提取。对每个样本的30次预测结果进行投票，选出最多的类别作为该样本的最终预测类别，这些最终的预测类别被存储在。使用训练好的逻辑回归模型对测试集的特征进行预测，预测结果被转置，以便每个样本有30次预测结果。函数，它读取医学图像数据，从中提取特定通道的数据，并对这些数据进行一些统计特征的计算。提取的特征根据路径中的关键字确定样本类别（'NC'表示正常，'MCI'表示异常）。函数，循环30次从训练集和测试集中提取特征，将特征和对应的类别存储在。中的特征作为输入，使用对应的类别作为输出。

2020年科大讯飞脑pet图像分析和疾病预测前三名队伍分享

09-22

2020年科大讯飞脑pet图像分析和疾病预测比赛吸引了众多来自全国各地的优秀选手参与，其中脱颖而出的三支队伍值得一提。第一名队伍：团队名称“智拍医生”。他们凭借精湛的图像分析和疾病预测技术，以及出色的团队...