前言

我们今年是一个实践就是糖尿病视网膜病变检测
这个题目是kaggle的一个竞赛原题，Diabetic Retinopathy Detection。
只不过kaggle上是五分类，而我们是四分类。

一、任务目标

这次任务的数据集是1000的糖网的4个等级的眼底图像，我们需要利用深度学习框架pytorch 来根据眼底图像预测其分类。

二、数据处理

1.数据分析

通过对数据统计可以得到（已经划分的训练集）：

图片种类的分布是有一点不均匀的，同时图片数量也有一点少，所以我们先简单的对图片数据进行一下扩充，这里我们使用最简单的图片反转作为数据增强的方式。我们对一类的图片进行的左右翻转和上下翻转，扩充为原来的三倍。对二类和三类的图片我们做了上下翻转，扩充到原来的二倍。对零类图片不做任何处理。

这是处理后的训练集分布。
我是7：3分割的训练集和验证集

2.模型训练

2.1模型准备

使用的模型是torchvision.model里的经典模型和预训练好的参数。

from torchvision import models as models
# inception_v3,ResNet50
model = models.resnet50(pretrained=True)
#将pretrained置为true，意思是使用已经预训练好的参数。

model.fc#打印模型全连接层的输入和输出参数
#Linear(in_features=2048, out_features=1000, bias=True)

因为我们是四分类所以调整模型输出为：

model.fc = torch.nn.Linear(in_features=2048, out_features=4, bias=True)
model.aux_logits = False #这个设置是InceptionV3这个模型需要设置的，
#不知道什么意思，但不设置会报错。

2.2参数设置

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = model.to(device=device)
learning_rate = 1e-4
num_epochs = 10
batch_size = 32
optimizer = torch.optim.Adam(model.parameters(), lr = learning_rate)
loss_criterion = torch.nn.CrossEntropyLoss()

2.3读取数据并转换为tensor类型

这一部分我是定义了一个类mydataset继承父类Dataset来获取可迭代的数据对象，同时对图片的处理和transform转换也在这里面实现。这里就不多说，对dataset不懂得可以看我之前写的dataset类。直接贴代码。

my_transform = transforms.Compose([transforms.Resize((299,299)),transforms.ToTensor(),
#     transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
])
#这里进行transform是因为inception_v3模型的输入是(299*299)
#resnet就不需要是（299*299）了
class retinaDataset(Dataset):def __init__(self, imagepath=r"D:\course\junior_2\deep_learning\third\train", csv_path=" ",transform=my_transform):self.df = pd.read_csv(csv_path)# if (total is not None):#     self.df = self.df[:total]self.transform = transformself.imagepath = imagepathdef __len__(self):return len(self.df)def __getitem__(self, index):img_path = os.path.join(self.imagepath, self.df.iloc[index].image +".png")img = Image.open(img_path)if(self.transform):img = self.transform(img)return img, torch.tensor(self.df.iloc[index].Retinopathy_grade)

train_dataset = retinaDataset(csv_path=r"D:\course\junior_2\deep_learning\mythird\train.csv")train_dataloader = DataLoader(dataset=train_dataset,
batch_size=batch_size, shuffle=True)
#这里调用Dataloder函数对数据进行分组并打乱顺序。

2.4开始训练

for epoch in range(num_epochs):for data, target in tqdm(train_dataloader):data = data.to(device=device)target = target.to(device=device)score = model(data)optimizer.zero_grad()loss = loss_criterion(score, target)loss.backward()optimizer.step()print(f"for epoch {epoch}, loss : {loss}")

2.5测试模型准确率

def f_check_accuracy(model_i,model_r, loader):model_i.eval() #模型inception_v3model_r.eval() #模型resnet50num0=0num1=0num2=0num3=0total0=0total1=0total2=0total3=0correct_output = 0total_output = 0with torch.no_grad(): #反向传播时不再自动求导，节省显存。for x, y in tqdm(loader):x = x.to(device=device)y = y.to(device=device)score_i = model_i(x)score_r = model_r(x)_,predictions_i = score_i.max(1)_,predictions_r = score_r.max(1)for i in range (len(y)):if(y[i]==0):total0=total0+1if(predictions_i[i]==0):num0=num0+1elif(y[i]==1):total1=total1+1if(predictions_r[i]==1):num1=num1+1elif(y[i]==2):total2=total2+1if(predictions_r[i]==2):num2=num2+1   elif(y[i]==3):total3=total3+1if(predictions_i[i]==3):num3=num3+1 correct_output =num0+num1+num2+num3total_output =total0+total1+total2+total3# model.train()print("0类准确率",num0/total0,"correct:",num0,"total:",total0)print("1类准确率",num1/total1,"correct:",num1,"total:",total1)print("2类准确率",num2/total2,"correct:",num2,"total:",total2)print("3类准确率",num3/total3,"correct:",num3,"total:",total3)print(f"out of {total_output} , total correct: {correct_output} with an accuracy of {float(correct_output/total_output)*100}")

解释一下我为什么要把inception_v3和resnet50结合到一起。

我们可以看到v3和resnet50再不同种类的准确率不同。所以可以把这两个模型结合在一起来提高准确率。

可以看到准确率提升的效果很好，大约20个点左右。
我们还可以从kaggle中下载一些数据来补充训练集，因为1000图片在划分之后对于四分类的任务来说是不够的。

三、未完成的问题

这行代码的作用。

model.aux_logits = False

糖尿病视网膜病变检测 (Diabetic Retinopathy Detection)相关推荐

基于逻辑回归（Logistic Regression）的糖尿病视网膜病变（Diabetic Retinopathy）检测
基于逻辑回归的糖尿病视网膜病变检测说明数据集探索性数据分析方法结果代码说明这是我学机器学习的一个项目, 基于逻辑回归(Logistic Regression)的糖尿病视网膜病变(Dia ...
Python基于逻辑回归的糖尿病视网膜病变检测（数据集messidor_features.arff）
一. 引言本项目基于逻辑回归理论,运用Python语言对数据集messidor_features.arff进行分析,实现对糖尿病视网膜病变的检测.糖尿病视网膜病变(DR)是糖尿病最常见的微血管并发症 ...
Idx推出AI系统检测糖尿病视网膜病变
文章来源:ATYUN AI平台 AI正在成为几乎所有行业的关键工具,但AI的一个特别强大的应用是医疗保健,人们已经看到了其潜力. 位于爱荷华州的Idx是一家使用AI来检测特定医疗状况的早期迹象的初创公 ...
糖尿病视网膜病变预测模型-机器学习-人工智能-企业科研
糖尿病性视网膜病变是糖尿病的一种并发症,由高血糖水平损害眼睛后部(视网膜)引起.如果不加以诊断和治疗,可能会导致失明.任何患有 1 型糖尿病或 2 型糖尿病的人都有可能患上糖尿病性视网膜病变. 然而, ...
糖尿病视网膜病变预测模型-机器学习-人工智能
糖尿病性视网膜病变是糖尿病的一种并发症,由高血糖水平损害眼睛后部(视网膜)引起.如果不加以诊断和治疗,可能会导致失明.任何患有 1 型糖尿病或 2 型糖尿病的人都有可能患上糖尿病性视网膜病变. 然而, ...
利用EfficientNet-B5从眼底摄影检测糖尿病视网膜病变的严重程度
Abstract 糖尿病性视网膜病变(DR)在许多糖尿病患者中普遍存在.它是糖尿病患者视网膜组织损伤的一种非常重要的疾病.甚至,在极端情况下,它可能会导致长期患DR的患者永久失明.因此,有必要尽快诊断 ...
kaggle糖尿病视网膜病变失明检测top5解决方案
比赛背景想象一下,在失明发生之前就能够发现病变.数以百万计的人患有糖尿病性视网膜病变,这是导致老年人失明的主要原因.印度的Aravind眼科医院希望在农村地区的人们中发现并预防这种疾病,而那里的医疗 ...
糖尿病视网膜病变的深度学习系统笔记
糖尿病视网膜病变的深度学习系统笔记论文地址:A deep learning system for detecting diabetic retinopathy across the disease ...
Eyenuk宣布FDA核准EyeArt自主AI系统用于糖尿病视网膜病变筛查
EyeArt是FDA首次核准用于自主检测轻度以上和威胁视力的糖尿病视网膜病变的AI技术洛杉矶--(美国商业资讯)--Eyenuk, Inc.是一家全球性人工智能(AI)医疗技术和服务公司,是AI眼病 ...

糖尿病视网膜病变检测 (Diabetic Retinopathy Detection)

文章目录

前言