Contact Me: [email protected]
本研究为医工结合项目,通过采集患者的肾上腺CT和生化指标等临床资料,构建数据库,开展大规模更细致的肾上腺CT图像诊断技术的研发,利用深度学习建立肾上腺肿瘤预测模型,并根据临床指南作出临床决策,完成人工智能系统的研发,实现智能化肾上腺肿瘤的诊疗。辅助临床医生对肾上腺肿瘤做出精准诊断以及超早期预警,并有效提升医生的工作效率,降低经验诊疗的误诊、漏诊率,提高诊断的准确性,进一步提升临床诊疗水平。
基于图像的医学诊断任务可以细化为图像分类任务和图像分割任务。
输入为大小不一的增强CT图像,输出为对应的类别标签。
使用Focal Loss作为损失函数,多分类任务中的Focal Loss表达如下:
- 皮质腺瘤213例
- 皮质增生32例
- 嗜铬细胞瘤38例
- 健康100例
每个样本为一个病患的增强CT图像(nii格式),标签包括患病类型和分割标注。数据集存在样本不均衡问题。使用以下命令行对数据集进行预处理,包括解压缩,复制等操作:
python dataset_prepare.py
使用Micron查看nii格式的原始数据,展示如下:
出于隐私性考虑,实验数据集不予公开。
环境:
- Windows10
- CPU/GPU
- Torch
使用pip安装运行程序所需要的依赖项:
pip install requirements.txt
训练模型:
-
图像分类
python classification.py
-
图像分割
python segmentation.py