目录
实验内容
总体分为两个阶段：第一是图片分类（image identification），第二是病人识别（patient identification）。
图片分类
在图片分类阶段，共包括数据库、图片选择和图片分类。
数据库
是COVID-CTset，把它转换成TIFF格式的16位灰度图。该数据库共包括95个新冠肺炎患者的15589张图片和282个正常人的48260张图片。
图片选择
论文设计了一个CT扫描选择算法（CTscans selection algorithm），该算法丢弃了数据库中一些不符合要求的图片。算法流程是：设置一个分析框（analysis region，AR），位置是[120:370，240:340]。分析AR框内，小于暗像素（像素值小于300）的像素点数量。所有图片计算完毕后，找出最大暗像素值（mx）和最小暗像素值（mm）。计算阈值thr，thr=（mx-mm）/1.5。计算一整张扫描图的暗像素值dp，与阈值thr比较，若dp大于thr，则把图片送入分类一步。
图片分类
图片分类网络中，首先ResNet50V2是骨干网络，接着是带有横向连接的FPN（feature pyramid network），输出五个最后特征，再把5个特征分别打平（flatten）后，分别送入Dropout层，防止过拟合。接着是第一层分类层，该分类层的激活函数是Relu函数，每个分类层有两个神经元。然后，连接5个分类层，形成具有10个神经元的密集层。最后连接最后的分类层，该分类层的激活函数是softmax函数。
病人识别
该阶段中，对于一个病人的一系列CT扫面图，只要感染的张数大于阈值，就会判定他被感染。阈值定为0和0.1。
论文材料
COVID-CTset
数据库来源：
该数据库里图片格式为16位灰度值DICOM和521*512像素分辨率。
其中15589张图片是来自95位感染者的，48260张图片来自282位正常者。这377人是具有不同性别、年龄和感染情况的。
论文数据
数据及处理
数据：分为两个部分，第一个部分是转换成TIFF的原始数据，第二部分是训练、验证和测试数据。训练和测试阶段的数据分为5个文件夹，每个文件夹里训练阶段的肺炎病人更多，正常病人更少。
输入图片：我们把DICOM转换成TIFF，不包括患者的个人信息。
输出图片：通过把每张图片的像素值除以图片的最大像素值，使得图片具有32位浮点数类型的像素值，格式为TIFF，这个更有利于被标准监控器可视化。
参数设置
epoch：50
优化器：Nadam
loss：Cross-entropy
学习率：1e-4
Batch-size：14
训练权重：迁移学习来自预训练ImageNet的权重weights
数据增强：flipping、zoom、rotation、shifting
评估和实验结果
评估
评估标准
每一个类都使用不同的4个指标，以及所有类的总体准确率。
评估结果
五个文件夹：
实验结果
20个epoch的训练和验证准确率：
阈值为1时，病人识别阶段结果：
扫一扫
828
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
