《人工智能应用开发》课件-第6、7章脑PET图像分析和疾病预测

脑PET图像分析和疾病预测1数据处理目录背景与目标2模型构建3模型性能评估4一种中枢神经系统变性病（亦称老年性痴呆）渐进性记忆障碍认知功能障碍人格改变语言障碍背景与目标阿尔茨海默症(Alzheimerdisease,AD)临床医学强调早发现、早治疗、早健康有不少疾病（如阿尔茨海默症）很难快速确诊，病人易错失最佳治疗时间思考：大数据+人工智能技术能否发挥作用？背景与目标临床医学的某些困境能否通过影像材料对人体健康情况做出判断？背景与目标医疗影像与疾病诊断全称是脑部正电子发射计算机断层显像（brainpositronemissiontomographyPET），是反映脑部病变的基因、分子、代谢及功能状态的显像。它是利用正电子核素标记葡萄糖等人体代谢物作为显像剂，通过病灶对显像剂的摄取来反映其代谢变化，从而为临床提供疾病的生物代谢信息，为脑癫痫病、脑肿瘤、帕金森病、阿尔茨海默综合症等提供了有效的检测手段。利用脑PET图像检测出早期患者，并提前介入治疗，从而延缓患者发病，对后续患者康复治疗有着积极的意义。背景与目标脑PET介绍脑PET图像检测数据库，记录了老年人受试志愿者的脑PET影像资料。train：训练集分CN和AD两种类别的图像，每个类别有1000张图像test：测试集有1000张图像背景与目标数据说明文件夹数据标签数据格式数据说明trainCNpng正常老年人数据ADpng阿尔茨海默综合症testCN&ADpng测试数据背景与目标数据介绍CN样本AD样本train数据集部分样本展示如下图test数据集部分样本展示如下图背景与目标数据介绍CN&AD构建一个模型，预测test文件夹中的脑pet是否为AD患者背景与目标目标CNorAD?model1数据处理目录背景与目标2模型构建3模型性能评估4数据处理总体流程图片加载统一图片尺寸图片增强图片批处理代码运行主要环境：Python3.9.xPyTorch1.13.0数据处理数据处理流程使用opencv库的imread函数读取图片，将图片数据转化为数组结构，填入参数为图片路径。图片的三个通道的像素都是相同的。数据处理图片加载统一图片规格为（227，227，1）。修改图片规格可使用cv2.resize()函数，需填入参数为图片数组和修改图片的大小。数据处理统一图片尺寸由于深度学习对数据集的大小有一定的要求，数据的规模越大，质量越高，模型的泛化能力就越强。图片增强的相关方法：图像翻转、旋转、缩放等。数据处理图片增强1.图片翻转，图片翻转可使用cv2.flip()函数，参数说明如下表，翻转示例如下图。数据处理图片增强参数名称说明src输入的图片flipCode翻转编码，共3个取值。取1时图片水平翻转；取0时图片垂直翻转；取-1时图片水平垂直翻转原始图片水平垂直翻转后的图片2.图片旋转及缩放，角度旋转操作和图像镜像相对，主要是沿着画面的中心进行任意角度的变换，该变换是通过将原图像和仿射变换矩阵相乘实现，旋转及缩放示例如下图。数据处理图片增强原始图片逆时针旋转45°并放大1.2倍后的图片仿射变换矩阵可调用cv2.getRotationMatrix2D()函数，参数说明如下表。进行图片仿射变化可使用cv2.warpAffine()函数，参数说明如下表。数据处理图片增强参数名称说明center旋转的中心点，一般是图片的中心，用img.shape取得长宽，然后取一半angle旋转的角度，正值是逆时针旋转，负值是顺时针旋转scale缩放因子参数名称说明src输入的图片M仿射变化矩阵dsize变换后的图片大小1数据处理目录背景与目标2模型构建3模型性能评估4模型构建搭建LeNet-5网络模型使用torch.nn.Conv2d()函数搭建卷积层，常见参数如下表。模型构建1.搭建卷积层参数名称说明in_channelsConv2d层输入tensor的空间维度（图像的颜色通道数）out_channelsConv2d层输出tensor的空间维度，即卷积核的数量kernel_size指定二维卷积核的高度和宽度stride二维卷积核的移动步长padding_mode指定填充模式，可选值为'zeros',

'reflect’,'replicate'

or

'circular'padding输入的高度和宽度方向上填充的数量使用torch.nn.MaxPool2d()函数搭建池化层，常见参数如下表。模型构建2.搭建池化层参数名称说明kernel_size指定池化核尺寸大小stride池化操作的移动步长padding指定池化填充0的数量损失函数设计稀疏交叉熵损失函数：CrossEntropyLoss优化器设计随机梯度下降法：SGD评估标准设计准确率：accuracy划分数据集设计提取数据集80%的数据作为训练集训练模型，20%的数据作为验证集测试模型，评估模型优劣模型构建模型训练1数据处理目录背景与目标2模型构建3模型性能评估4predicted=network(X_test_tensor)#模型预测result=predicted.data.numpy().argmax(axis=1)#预测标签acc_test=(result==y_test).mean()#测试精度模型性能评估利用LeNet-5模型，训练40轮后在验证集上进行性能评估model=LeNet5()#实例化得到一个网络模型model_state_dict=torch.load('leNet5-1.pt')#加载已保存好的模型（参数