day01—跑通脑PET图像分析和疾病预测挑战赛的baseline代码

1.在ai studio上跑通模型

在其官网公开的模型中找到基于logistic回归的脑PET图像分析和疾病预测，再按照该模型的代码要求逐步运行代码即可跑通。

2.对该baseline模型的分析

本项目的数据集为脑PET图像检测数据库，其包括两类：健康和轻度认知障碍，本次竞赛的目标是找到一个模型使得对这两类的辨别尽可能准确。

2.1数据预处理

读取该数据集，并随机打乱该数据集的顺序，从而使得被训练的数据尽可能呈现正态分布，希望能够尽可能避免训练不充分的情况。

2.2特征提取

本次特征提取选择了10个维度，都是一些数理上的统计特征，比如：非零像素的数量、零像素的数量、平均值、标准差、在列方向上平均值不为零的数量、在行方向上平均值不为零的数量、列方向上的最大平均值、行方向上的最大平均值。

暂时觉得这10个特征选取得不够科学，特征提取应该在理论知识的基础上进行，我们需要在医学上了解从脑pet图像的哪些方面能够区别健康和轻度认知障碍，医生一般是如何判断的。通过阅读相关文献资料，了解针对认知障碍在临床医学上有哪些判断准则。

在了解了相关的判断准则后，再基于判断准则，利用相关数学方法设计对应的特征提取算法。那么，接下来的问题是选取哪种判断准则进行算法设计。首先，查找知网、维普等网站，我们可以得到不同准则的分类效果；其次，在百度、谷歌等网站上搜索脑pet图像的相关准则，进一步帮助选择更好的准则；最后，确定某个准则进行算法设计。

2.3模型训练

基于之前提取的特征，重复进行30次的特征提取，以增加训练样本的多样性；之后，利用逻辑回归模型训练数据，最终得到相应的训练模型。当然，也可以选用其他模型，例如：随机森林、支持向量机、卷积神经网络。

2.4预测与结果提交

利用训练好的逻辑回归模型对测试集进行预测，并将预测结果进行投票，选出最多的类别作为该样本的最终预测类别。最后，我们将预测结果存储在CSV文件中并提交结果。

目前来说，结果分数为0.47917，后续改变特征提取算法和训练模型后再进行打分。

现在改用CNN模型后，分数提升到0.57426，后续还需改进数据预处理、网络结构等等。